Performans Ölçüm Ve Geliştirme Teknikleri

Herkese merhaba arkadaşlar bu bölümde opencv’de yaptığımız çalışmaları nasıl daha permormanslı yani daha hızlı vb olayları öğrenmeye çalışacağız.Biliyor olmanız gerektiği gibi opencv gibi teknolojilerle kodlama yaparken bir çok sayıda işlem yapılıyor bizim genel hedefimiz amacımıza uygun olarak doğru sonucu bulmak oluyor fakat en hızlı ve en güvenilir sekilde bu doğru sonucu elde etmek biz yazılımcıların çalışma sistemi olması gerek neyse konuya geçelim.

Hedefler

Kodunuzun performansını ölçmek için
Kodunuzun performansını artırmak için bazı ipuçları
Ve son olarak bu fonksiyonları öğrenip işlemi bitireceğiz cv2.getTickCount, cv2.getTickFrequency vs.

OpenCV ile Performans Ölçümü

İlk olarak cv2.getTickCount() fonksiyonu,saat devir sayısını veriyor, örnek olarak şu şekilde çıktı alıyoruz, bu fonksiyon bir referasn olayından sonra ( siz bir düymeyi açmişsiniz gibi ) bu fonksiyonu çağırana kadar geçen saat devrim sayısını döndürüyor, dolayısı ile bu yapılacak olan kodlamadan önce ve sonra çağrılarak geçen saat devrim sayıları alınıp aradaki fark’a bakara performans ile ilgili bir fikir edinebiliyorsunuz.

>>> import cv2
>>> e1 = cv2.getTickCount()
>>> e2 = cv2.getTickCount()
>>> e1
311581540258
>>> e2
311594815111

ikinci olarak cv2.getTickFrequency() fonksiyonu saat çevrimlerinin frekansını veya saniyedeki saat çevrim sayısını döndürür. Saniye olarak yürütme süresini bulmak için şunları yapabilirsiniz.

>>> e1 = cv2.getTickCount()
# burada sizin kodlarınızın olması gerek
>>> e2 = cv2.getTickCount()
>>> time = (e2-e1)/cv2.getTickFrequency()
>>> time # burada geçen zamanı bulmuş oluyoruz
0.6719153391030833

dökümandaki örneğe bakıcak olursak Aşağıdaki örnek, 5 ila 49 arasında değişen tek boyutlu bir çekirdek ile medyan filtreleme uygular. (sonuç önemsiz çünkü bu bizim amacımız değil):

import cv2
img1 = cv2.imread('messi5.jpg')
e1 = cv2.getTickCount() # kodlarımızı çalıştırmadan önce tick sayısını alıyoruz
for i in xrange(5,49,2):           # kodlarımız
    img1 = cv2.medianBlur(img1,i)  # kodlarımız ne yaptığı umrumuzda bile değil,çünkü amacımız bu işlemi kaç sanıyede yaptığı
e2 = cv2.getTickCount() # işlem bittikten sonra ikinci tick 'imizi alıyoruz
t = (e2 - e1)/cv2.getTickFrequency() # geçen zamanı hesaplıyoruz ,tick arasındaki fark ve 1 saniyede geçen tick sayısına bölerek geçen zamanı buluyoruz
print t
# sonuç 0.521107655 saniye çıkıyor, sizde deneyin sonuç fazla çıkarsa resmin boyutunu küçültün ,küçülme işlemi için python'un bir başka kütüphanesi olan PIl'i kullanabilirsiniz,bir şeyler yapın işte en hızlı hesaplamasını sağlayın amacımız bu değilmi ?

Aslında sizin şu sıralarda ulan ne gerek var ben bu zaman hesaplamasını python’un time modulü ile de yaparım demeniz gerek, evet yapabilirsiniz yine aynı şekilde kodlarınızı yazmadan önce e1 = time.time() diyip daha sonra kodlar bittikten sonra yine e2 = time.time() diyerek aradaki farka bakıp ne kadar süre geçtiğini bulabilirsiniz.

OpenCV’de Varsayılan Optimizasyon

OpenCV işlevlerinin birçoğu SSE2, AVX vb. Kullanılarak optimize edilmiştir. Ayrıca optimize edilmemiş kod içerir. Dolayısıyla, sistemimiz bu özellikleri destekliyorsa onları kullanmalıyız (hemen hemen tüm modern işlemciler onları destekliyor). Derleme sırasında varsayılan olarak etkindir. Yani OpenCV optimize edilmiş kod etkinse çalıştırır, aksi takdirde optimize edilmemiş kodu çalıştırır. Cv2.useOptimized() işlevinin etkin / devre dışı olup olmadığını kontrol etmek ve cv2.setUseOptimized() işlevini etkinleştirmek / devre dışı bırakmak için kullanabilirsiniz. Basit bir örnek görelim.

# bu kodlar galiba Ipython kullanılarak yapılmış pek emin değilim
import cv2
# kontrol ediyoruz eğer optimizasyon açık ise
# 5.satırada bu yüzden büyük ihtimal daha önceki satırlarda resmi yani img 'i  tanımlamış
In [5]: cv2.useOptimized()# önce optimizasyon açık iken kodları çalıştıracağız ve zaman bilgisini alacağız Ipython zaten her işlemden sonra bunu bize veriyor ama Ipython kullanmıyorsanız yukarıtaki anlatılanlar veya time modulünü kullanarak geçen zamanı hesaplayabilirsiniz.
Out[5]: True
In [6]: %timeit res = cv2.medianBlur(img,49)
10 loops, best of 3: 34.9 ms per loop # geçen süre 34.9 saniye iken
# devre dışı bırakıyoruz
In [7]: cv2.setUseOptimized(False) # optimizasyonu kapatıp deniyoruz
In [8]: cv2.useOptimized()
Out[8]: False # kapalı şuan
In [9]: %timeit res = cv2.medianBlur(img,49)
10 loops, best of 3: 64.1 ms per loop # ve 64.1 saniye , yani optimizasyon iyidir onu sevin