【发布时间】:2019-05-05 16:34:23
【问题描述】:
我正在为一篇论文做一些工作,必须在各种图像上尝试一些过滤器,看看是否检测到对象。一切本身都很好,但我的意图是逐渐将 4 个过滤器(对比度、模糊和其他)中的每个过滤器 100 个不同程度应用到一个框架上,看看它在哪里停止正确检测。
我会将它们组合起来,例如首先将一些图像导入到帧中,然后我尝试通过添加“0%”对比度、“0%”模糊、“0%”调整大小、“0%”噪声来检测,下一轮 1% 对比度,其他全部 0%,然后 2% 对比度,其他 0%,依此类推,直到 100% 对比度。下一个循环它应该做同样的事情,但模糊为 1%,调整大小为 0%,噪声为 0%。然后是 2% 模糊、0%、0% 等等——各种组合。
但这意味着它需要进行 100^4 次迭代(如果我想要 100 度和 4 个过滤器,则需要 1 亿次)。而我目前使用 OpenCV 实现的 YOLOv3-320 以大约 0.5 秒的速度执行检测。这意味着完成一张图片的测试大约需要 580 天。
def tester(depth, correct_answer):
container_a = []
for a in range(depth):
print((a*(100/depth)))
frame1 = apply_sepia(frame, int((a*(100/depth))))
container_b = []
for b in range(depth):
frame2 = apply_blur(frame1, int((b*(100/depth))))
container_c = []
for c in range(depth):
frame3 = sp_noise(frame2, int((c*(100/depth))))
container_d = []
for d in range(depth):
frame4 = image_resize(frame3, int((d*(100/depth))))
try:
net.setInput(cv.dnn.blobFromImage(frame4, 1/255, (vers, vers), [0,0,0], 1, crop=False))
result = postprocess(net.forward(getOutputsNames(net)))
if result == correct_answer:
container_d.append(1)
else:
container_d.append(0)
except Exception as e:
container_d.append(0)
container_c.append(container_d)
container_b.append(container_c)
container_a.append(container_b)
return container_a
如何加快速度?
【问题讨论】:
-
为什么始终需要高参数分辨率?您可以通过最初采取更大的步骤来减少迭代次数,然后在未检测到对象时进行评估,并将实际参数归零。
-
使用 Python 以外的东西。
-
我很确定您需要一台具有 18 个 CPU 内核的新 Apple iMac Pro 来练习您的多线程。
-
啊,好的。感谢您的建议,我会看看我是否可以找到一些计算机来至少减轻工作量。 @Scott Hunter 恐怕我从 Python 切换过来有点太晚了,时间安排让我觉得 Python 是个好主意。
-
减少工作量或增加使用的硬件。计算中最“昂贵”的部分将是 yolo 检测。这可以通过使用 jigh end gpu 来加快速度,这将为您提供大约 30 毫秒的对象检测时间。也许您应该使用多台 PC,每台 PC 都有这样的 GPU。
标签: python performance opencv