https://blog.csdn.net/sinat_31135199/article/details/53053188
持续对 Mat 进行翻转以及颜色控件转换, 在某个时间点突然发现会有CPU卡死的情况,看来用GPU是必须的.
OpenCV的GPU模块只支持NVIDIA的显卡,原因是该部分是基于NVIDIA的CUDA和NVIDIA的NPP模块实现的。而该模块的好处在于使用GPU模块无需安装CUDA工具,也无需学习GPU编程,因为不需要编写GPU相关的代码。但如果你想重新编译OpenCV的GPU模块的话,还是需要CUDA的toolkit。
由于GPU模块的发展,使大部分函数使用起来和之前在CPU下开发非常类似。首先,就是把GPU模块链接到你的工程中,并包含必要的头文件gpu.hpp。其次,就是GPU模块下的数据结构,原本在cv名字空间中的现在都在gpu名字空间中,使用时可以gpu::和cv::来防止混淆。
需要再说明的是,在GPU模块中,矩阵的名字为GpuMat,而不是之前的Mat,其他的函数名字和CPU模块中相同,不同的是,现在的参数输入不再是Mat,而是GpuMat。
还有一个问题就是,对于2.0的GPU模块,多通道的函数支持的并不好,推荐使用GPU模块处理灰度的图像。有些情况下,使用GPU模块的运行速度还不及CPU模块下的性能,所以可以认为,GPU模块相对而言还不够成熟,需要进一步优化。很重要的一个原因就是内存管理部分和数据转换部分对于GPU模块而言消耗了大量的时间。
需要注意的是,在所有使用GPU模块的函数之前,最好需要调用函数gpu::getCudaEnabledDeviceCount,如果你在使用的OpenCV模块编译时不支持GPU,这个函数返回值为0;否则返回值为已安装的CUDA设备的数量。
还有一点就是使用GPU模块,需要在用CMake编译OpenCV时使其中的WITH_CUDA和WITH_TBB的宏生效,为ON。
由于我对GPU部分的熟悉程度还不行,先拿来一段sample自带的一段求矩阵转置的程序来做例子,代码如下:
-
#include <iostream>
-
#include "cvconfig.h"
-
#include "opencv2/core/core.hpp"
-
#include "opencv2/gpu/gpu.hpp"
-
#include "opencv2/core/internal.hpp" // For TBB wrappers
-
-
using namespace std;
-
using namespace cv;
-
using namespace cv::gpu;
-
-
struct Worker { void operator()(int device_id) const; };
-
-
int main()
-
{
-
int num_devices = getCudaEnabledDeviceCount();
-
if (num_devices < 2)
-
{
-
std::cout << "Two or more GPUs are required\n";
-
return -1;
-
}
-
for (int i = 0; i < num_devices; ++i)
-
{
-
DeviceInfo dev_info(i);
-
if (!dev_info.isCompatible())
-
{
-
std::cout << "GPU module isn't built for GPU #" << i << " ("
-
<< dev_info.name() << ", CC " << dev_info.majorVersion()
-
<< dev_info.minorVersion() << "\n";
-
return -1;
-
}
-
}
-
-
// Execute calculation in two threads using two GPUs
-
int devices[] = {0, 1};
-
parallel_do(devices, devices + 2, Worker());
-
-
return 0;
-
}
-
-
-
void Worker::operator()(int device_id) const
-
{
-
setDevice(device_id);
-
-
Mat src(1000, 1000, CV_32F);
-
Mat dst;
-
-
RNG rng(0);
-
rng.fill(src, RNG::UNIFORM, 0, 1);
-
-
// CPU works
-
transpose(src, dst);
-
-
// GPU works
-
GpuMat d_src(src);
-
GpuMat d_dst;
-
transpose(d_src, d_dst);
-
-
// Check results
-
bool passed = norm(dst - Mat(d_dst), NORM_INF) < 1e-3;
-
std::cout << "GPU #" << device_id << " (" << DeviceInfo().name() << "): "
-
<< (passed ? "passed" : "FAILED") << endl;
-
-
// Deallocate data here, otherwise deallocation will be performed
-
// after context is extracted from the stack
-
d_src.release();
-
d_dst.release();
-
}
阅读(3271) | 评论(0) | 转发(0) |