【问题标题】:Nested loops of image detection takes forever to run 100 mil times图像检测的嵌套循环需要永远运行 1 亿次
【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


【解决方案1】:

我将把它作为一个答案,以便有更多的空间来说明我的观点。

我使用术语“高参数分辨率”来描述以小步骤迭代您的参数。

假设,您的算法在 18% 的噪声下失败,而噪声是您唯一改变的东西。

然后,执行 1% 的增量将导致您的对象检测在您运行的第 19 次迭代中失败。

当您测试 20% 的噪声时,使用较大的步长(例如 10%)进行筛选将导致您的算法在第三次迭代中失败。然后,您知道您的算法在 10% 到 20% 的噪声之间失败。您现在可以使用 bisection 之类的内容并询问算法是否在 15% 以上或以下失败,然后在 17.5% 以上或以下失败。

因此,在这种方法中,您总共运行算法五次,并得到与蛮力方法相同的答案。

【讨论】:

  • 啊,我明白了,非常好的解决方案。十分感谢你的帮助。 :)
猜你喜欢
  • 1970-01-01
  • 2014-11-23
  • 1970-01-01
  • 2017-04-08
  • 1970-01-01
  • 2022-01-23
  • 1970-01-01
  • 2018-07-24
  • 1970-01-01
相关资源
最近更新 更多