所以这节我们将要学习:
• 检测程序的效率
• 一些能够提高程序效率的技巧
• 你要学到的函数有:cv2.getTickCount,cv2.getTickFrequency等
11.1 使用opencv检测程序效率
cv2.getTickCount
函数返回从参考点到这个函数被执行的时钟数。所以当你在一个函数执行前后都调用它的话,你就会得到这个函数的执行时间(时钟数)。
cv2.getTickFrequency
返回时钟频率,或者说每秒钟的时钟数。
e1 = cv2.getTickCount()
# your code execution
e2 = cv2.getTickCount()
time = (e2 - e1)/ cv2.getTickFrequency()
用窗口大小不同(5,7,9)的核函数来做中值滤波
'''
dst=cv2.medianBlur(src,ksize)
'''
img1 = cv2.imread('./Pytorch.png')
e1 = cv2.getTickCount()
for i in range(5,49,2):
img1 = cv2.medianBlur(img1,i)
print(i)
e2 = cv2.getTickCount()
t = (e2-e1)/cv2.getTickFrequency()
print(t)
11.2Opencv中的默认化
- 你可以使用函数 cv2.useOptimized()来查看优化是否被开启了,使用函数 cv2.setUseOptimized() 来开启优化。
11.3在IPython中检测程序效率
- 有时你需要比较两个相似操作的效率,这时你可以使用 IPython 为你提供
的魔法命令%time。他会让代码运行好几次从而得到一个准确的(运行)时
间。它也可以被用来测试单行代码的。
In [10]: x = 5
In [11]: %timeit y=x**2
10000000 loops, best of 3: 73 ns per loop
In [12]: %timeit y=x*x
10000000 loops, best of 3: 58.3 ns per loop
In [15]: z = np.uint8([5])
In [17]: %timeit y=z*z
1000000 loops, best of 3: 1.25 us per loop
In [19]: %timeit y=np.square(z)
1000000 loops, best of 3: 1.16 us per loop
11.4更多的IPython的魔法命令
11.5 效率优化技术
- 尽量避免使用循环,尤其双层三层循环,它们天生就是非常慢的。
- 算法中尽量使用向量操作,因为 Numpy 和 OpenCV 都对向量操作进行
了优化。 - 利用高速缓存一致性。
- 没有必要的话就不要复制数组。使用视图来代替复制。数组复制是非常浪
费资源的。