Python+OpenCV教程番外篇1:代码性能优化


主站:http://codec.wang
原文:Python+OpenCV教程番外篇1:代码性能优化


学习如何评估和优化代码性能。(本节还没更新完…………)

完成一项任务很重要,高效地完成更重要。图像处理是对矩阵的操作,数据量巨大。如果代码写的不好,性能差距将很大,所以这节我们来了解下如何评估和提升代码性能。

评估代码运行时间

import cv2

start = cv2.getTickCount()
# 这里写测试代码...
end = cv2.getTickCount()
print((end - start) / cv2.getTickFrequency())

这段代码就是用来测量程序运行时间的(单位:s),其中cv2.getTickCount()函数得到电脑启动以来的时钟周期数,cv2.getTickFrequency()返回你电脑的主频,前后相减再除以主频就是你代码的运行时间(这样解释并不完全准确,但能理解就行)。另外,也可以用Python中的time模块计时:

import time

start = time.clock()
# 这里写测试代码...
end = time.clock()
print(end - start)

经验之谈:如果你使用的是IPython或Jupyter Notebook开发环境,性能分析将会非常方便,详情请参考:Timing and Profiling in IPython

优化原则

  • 数据元素少时用Python语法,数据元素多时用Numpy:
x = 10
z = np.uint8([10])

# 尝试比较下面三句话各自的运行时间
y = x * x * x   # (1.6410249677846285e-06)
y = x**3        # (2.461537451676943e-06)
y = z * z * z   # 最慢 (3.1179474387907945e-05)

所以Numpy的运行速度并不一定比Python本身语法快,元素数量较少时,请用Python本身格式。

  • 尽量避免使用循环,尤其嵌套循环,因为极其慢!!!

  • 优先使用OpenCV/Numpy中封装好的函数

  • 尽量将数据向量化,变成Numpy的数据格式

  • 尽量避免数组的复制操作

引用

  • 本节源码
  • Python Optimization Techniques
  • Timing and Profiling in IPython
  • Advanced Numpy

你可能感兴趣的:(Python+OpenCV教程番外篇1:代码性能优化)