Nézze meg a többprocesszoros könyvtárat. Ha vannak olyan programrészei, amelyeket párhuzamosan futtathat, például több kép feldolgozása és arcok észlelése, egyszerűen meghatározhat egy folyamatot Pool . Alapértelmezés szerint egy készlet annyi folyamatot indít el egyidejűleg, ahány processzorod van. Megadhatja a készlet méretét és 4-re is javíthatja.

pl .:

  a többprocesszoros importkészletből a glob import import globdef Detect_face (fájlnév): ... if __név__ = = '__main__': a Pool () néven p-ként: p.map (Detectface, glob ('*. jpg'))  

A sherlock -ot is ki kell fizetnie , példa-gyűjtemény a többprocesszoros és az opencv kombinálásáról.

Korlátozások:

Az OpenCV algoritmusai önmagukban nem könnyen futtathatók több folyamatban. Mivel az OpenCV C ++ nyelven van megírva, végrehajtásuk nagymértékben függ végrehajtásuktól.

Ha az OpenCV könyvtárat úgy fordítja le, hogy az OpenMP opció aktív a cmake fájlban (alapértelmezés szerint ki van kapcsolva), akkor sok algoritmus automatikusan több magot fog használni, anélkül, hogy bármit is módosítania kellene a forrásban kód. Esetemben a teljesítmény akár 4,5-szeres növekedését sikerült elérnem. Igen, a Raspberry Pi 2 csak 4 maggal rendelkezik, de ha nagy számgörgetést végez, a feladatok megfelelő elosztása jelentősen lerövidítheti a várakozási időt. Rövidebb algoritmusok esetén ne számítson sokkal többet a háromszoros gyorsításra.

Vigyázzon, az OpenMP könyvtárak fordításakor a libpng csomagban van egy hiba. Ha a make hibával szünetel, mert a libpng nem találja meg a zlib -t, akkor gyors és piszkos megoldás lehet, hogy csak átmásolja a zlib forrását a a libpng forrásmappát (vagy kapcsolja ki a libpng elemet, ha nincs rá szüksége).