Python face_recognition 处理每一帧耗时太长答案

【问题标题】：Python face_recognition takes too long to process each framePython face_recognition 处理每一帧耗时太长
【发布时间】：2019-11-22 09:11:59
【问题描述】：

嘿，我正在使用来自 face_recognition github 的以下代码：code 除了检测到人脸时我得到 2 fps/sec 之外，一切正常，当没有检测到人脸时，帧速率约为 30。

我查看了任务管理器以查看我的计算机运行情况如何，CPU 和 GPU 都在约 15% 上，所以这不是硬件问题。我也尝试将分辨率更改为 320x240，但没有出现同样的问题。

如何提高 fps？编辑：我只有一种编码要处理，所以多线程可能无济于事

【问题讨论】：

标签： python face-recognition cv2

【解决方案1】：

这个程序有两个处理步骤：

在 while 循环中，face_detection 在帧中搜索人脸，然后对其进行编码（使用线性代数将人脸数据简化为唯一向量）。
在 for 循环中（仅在检测到人脸时运行），程序针对所有其他“已知”编码运行步骤 1 中的编码，如果满足默认的确定性阈值，则返回最佳匹配。

如果您完全修改了代码，增加了“已知”面孔的数量，则会减慢一些处理速度。另外，我不知道线程的优化程度。某些程序可能在单个线程上运行，这会显示 CPU 使用率较低，即使该程序正在最大化其有效访问的内容。

故障排除步骤：在循环 #2（for 循环）内部，首先注释掉框架行（或 compare_faces 之后的所有内容），然后查看它是否加快了速度。这样，您可以缩小处理能力最强的范围。如果您发现 compare_faces IS 是瓶颈，请尝试减少“已知”面孔的数量。如果这会大幅提高 fps，那么您可能会受到内核/线程数量的限制。

您使用的示例代码是优化程度较低的版本。 Here 是一个稍快的版本。调整包括：

以 1/4 分辨率处理每个视频帧（尽管仍以全分辨率显示）
仅检测每隔一帧视频中的人脸。

基本上通过减少处理量会加快处理速度。

【讨论】：

谢谢你的信息，但不幸的是它没有解决问题，我尝试使用优化版本并评论你所说的，我得到相同的结果，我敢打赌问题是核心使用我我只用了一个。
您是否只加载示例代码中的“obama”和“biden”这两个面孔？如果只是比较两张脸，我认为多线程不会帮助你。你也试过python profiler吗？
其实我正在加载一个 xD 有什么问题嗯
也有可能是在while循环的编码阶段减速（因为它只在找到人脸时运行）
我最后的想法是启用 CUDA（如果您有兼容的 GPU）并使用 CUDA 特定版本的 opencv 库。

【解决方案2】：

我在装有 OSX 的 Windows PC 和 Macbook pro 上尝试了相同的项目。我发现 MacBook Pro 上的 FPS 可以达到 30 FPS 以上，而 windows PC 只能以 2 FPS 运行。我的 Windows PC 上的 CPU 是 Ryzen 3900X，我的 MacBook 使用 i9 CPU。在我看来，瓶颈不是CPU本身，应该是操作系统的主要问题。尝试安装基于 Linux 的操作系统并再次安装。我不知道原因，但 Linux 确实有这些优势。

【讨论】：