NanoPi做深度学习开发（二）

在（一）中配置完成了深度学习的环境后，开始部署算法。然后在Pi上摄像头显示的检测图像不同步，由于在MAC上脚本是正常的，因此考虑是不是Pi的平台上处理器能力8行，于是掏出了Jetson Nano对同段代码运行，看一下画面效果如何。

嗯，效果是同步的。

李白曾经说过，如果眼睛看到的有用，那还要数据干什么？

因此，写了段代码验证一下相同尺寸图的情况下，不同的两个平台的测试时间如何。

太真实了。JetsonNano在GPU的加速下，检测的平均时间在0.05s左右，NanoPi的检测时间在10s左右。

好的，问题又来了，NanoPi的检测时间太太太太太太太太太长了，枯了。

所以，又到了快乐的揪内鬼时间了，去看看哪出问题。

内鬼1：time.clock()

之前结果中，使用time.clock()测试的时间。

start = time.clock()
#long running
#do something other
end = time.clock()

time.clock()返回程序第一次被调用的CPU时间。返回的是CPU的执行时间。

time.time()获取的是纪元以来的当前时间，程序执行结束后，获取的是程序执行时间。

start = time.time()
#long running
#do something other
end = time.time()
print end-start

在改用time.time方法后，我们的检测时间如下：

Jeston的检测时间在10fps左右，而NanoPi的检测时间也从吓死人的10s变成了可以感受的2s，果然李白也是会骗人的。

time.time和time.clock在很多时候的结果差距不大，但还是不能大意呀。

揪出内鬼后，现在要做的就是想办法去加速了~干巴爹！哭泣…

2019.09.21更新

在检测算法的时候，发现自己写的模型本质上层数规模都很小，然而检测时间不像预期的一样仍较长。检测时仍使用

start = time.time()
#long running
#do something other
end = time.time()
print end-start

的方法，发现在关键算法环节的测试时间其实很短，然而在结果呈现环节花费的时间很长。这里总结一条很小的经验：

不要过分相信自己的先验知识，在代码可能出现问题的段落，分句进行time检测，往往会有出乎意料的效果。

经过分局检测，在区域确定和算法检测部分的测试时间其实都较短，问题出现在了结果呈现部分。

经过观察呈现结果部分以及写了段代码测试发现，

cv2.rectangle(show, (self.find_ROI()[0], self.find_ROI()[1]), (self.find_ROI()[2], self.find_ROI()[3]), self.color, 4)

该段代码中，涉及了了四次find_ROI调用，导致时间花费增大。

在测试发现，cv2.rectangle()本身时间很短，接近于0。因此考虑是内部参数出问题，果然找到了内鬼，揪出来后，效果立竿见影。