由于python相较于C++运行较慢,例如在DL时代,大规模的数据处理有的时候即便是多进程python也显得捉襟见肘,所以性能优化非常重要,下面是基于ctypes的性能优化流程:
一、性能分析
第一步首先要分析代码中哪些模块耗时,各模块的耗时比要有所掌握,这里使用line-profiler工具进行分析;
安装: pip install line-profiler
使用:
(1)不需要import;
(2)在需要分析性能的函数前面加上修饰器 "@profile",如下图所示:
(3)使用命令:kernprof -l xxxxx.py
-l 表示逐行分析时间,最后结果会自动写到同目录级下的.lprof文件中,若是要是直接可视化出来,则加上 -v 参数,效果如下:
(上表中会有运行时间、运行次数、时间占比等)
(4)使用命令:python -m line_profiler xxxxx.py.lprof 查看lprof文件;
二、基于ctypes的性能优化
1、作用:ctypes用来为python提供C的接口,可以将C++实现的模块编译为.dll或.so,然后在python中调用对应dll中的模块名从而进行加速;
2、例程(目的是将cv2.imread()读取过程放在C++实现):
(1)C++中的代码:
#include#include
#define DLLEXPORT extern "C" __declspec(dllexport) #DLLEXPORT用于声明将要生成到DLL中的函数typedefstructRet {int*buffer_args;
uchar*buffer_img;
}Ret,*Ret_p;
DLLEXPORT Ret_p imread(char*img_path) {
Ret_p ret_p= (Ret_p)malloc(sizeof(Ret));
cv::Mat img=cv::imread(img_path);int img_h =img.rows;int img_w =img.cols;int img_c =img.channels();
uchar* buffer_img = (uchar*)malloc(sizeof(uchar) * (img_h * img_w *img_c));
ret_p->buffer_img =buffer_img;int* buffer_args = (int*)malloc(sizeof(int) * 3);
memcpy(buffer_img, img.data, img_h* img_w *img_c);int args[3] ={ img_h, img_w, img_c };
memcpy(buffer_args, args,3*sizeof(int));
ret_p->buffer_args =buffer_args;returnret_p;
}
DLLEXPORTvoid release(uchar*data) {free(data);
}
由上面代码可知:C++中实现模块功能获得输出后,将输出存储到内存中,然后python调用该内存即可。
设置为生成.dll即可。
(2)python中代码:
importosimportcv2importctypesimportnumpy as np
c_uint8_p=ctypes.POINTER(ctypes.c_ubyte)
c_int_p=ctypes.POINTER(ctypes.c_int) #ctypes没有定义c_int_p,因此需要自己构造classRet_p(ctypes.Structure):
_fields_= [("args", c_int_p),
("img_p", c_uint8_p*1)]defmain():
template_h, template_w, template_c= 750, 840, 3src_img_path= "./template.jpg"dll= ctypes.WinDLL(r"./match.dll") #指定dll文件,后面将会调用这个dll中的函数
src_img_path= ctypes.c_char_p(bytes(src_img_path, "utf-8")) #输入端:将python变量转换为ctypes类型变量从而适配C++端的输入
dll.imread.restype = ctypes.POINTER(Ret_p) #输出端:设置ctypes类型变量
pointer =dll.imread(src_img_path) #调用dll中的imread函数,返回的是ctypes中的指针,指向自定义的结构体
ret_args= np.asarray(np.fromiter(pointer.contents.args, dtype=np.int, count=3)) #np.fromiter从迭代器中获取数据,这里即可以从指针指向的内存区域中迭代去值print(ret_args)
img= np.asarray(np.fromiter(pointer.contents.img_p, dtype=np.uint8, count=template_h*template_w*template_c))
img=img.reshape((template_h, template_w, template_c))
cv2.imwrite("./1.jpg", img)
dll.release(img) #内存释放if __name__ == "__main__":
main()
要注意:在使用ctypes时会涉及到 C++、ctypes 和 python 三方的数据转换,对应关系参考:https://blog.csdn.net/wchoclate/article/details/11684905
3、其他:
(1)做了一个实验,在实际测试中发现,原生cv2.imread()要由于这种ctypes的调用方式,因为C++实现了读取操作后(将图片数据保存为一维数组到内存中),但是还要在python中使用np.fromiter从内存中读取并reshape,这步非常耗时(涉及到多次迭代的内存读取开销)。