Python PILLOW库使用CPU进行图像处理,可以在GPU上完成吗？

我为自己制作了一个小型的Python 3.x应用程序,它按照给定的百分比调整文件夹中的所有图像.

该应用程序支持多核CPU,因为它分割了与CPU一样多的线程完成的工作.

这里的瓶颈是CPU,因为我的RAM内存保持40%可用,运行时我的硬盘使用率为3%,但所有CPU内核都接近100%.

有没有办法在GPU上处理图像？我认为它会大大提高性能,因为GPU有超过4个核心.

以下是关于如何完成处理的一些代码:

def worker1(file_list, percentage, thread_no):
    """thread class"""
    global counter
    save_dir = askdir_entry.get() + '/ResizeImage/'
    for picture in file_list:
        image = Image.open(picture, mode='r')
        image_copy = image.copy()
        (width, height) = image.size
        filename = os.path.split(picture)[1]
        image_copy.thumbnail((width * (int(percentage) / 100), height * (int(percentage) / 100)))
        info_area.insert('end', '\n' + filename)
        info_area.see(tkinter.END)
        image_copy.save(save_dir + filename)
        counter += 1
        if counter % 3 == 0:
            update_counter(1, thread_no)
    update_counter(0, thread_no)


def resize():
    global start_time
    start_time = timeit.default_timer()
    percentage = percentage_textbox.get()
    if not percentage:
        info_area.insert('end', 'Please write a percentage!')
        return
    askdir_entry.config(state='disabled')
    percentage_textbox.config(state='disabled')
    file_list = glob.glob(askdir_entry.get() + '/*.jp*g')
    info_area.insert('end', 'Found ' + str(len(file_list)) + ' pictures.\n')
    cpu = multiprocessing.cpu_count()
    info_area.insert('end', 'Number of threads: ' + str(cpu))
    info_area.insert('end', '\nResizing pictures..\n\n')
    if not os.path.exists(askdir_entry.get() + '/ResizeImage'):
        os.makedirs(askdir_entry.get() + '/ResizeImage')
    counter_label.config(text='-')
    for i in range(0, cpu):
        file_list_chunk = file_list[int(i * len(file_list) / cpu):int((i + 1) * len(file_list) / cpu)]
        threading.Thread(target=worker1, args=(file_list_chunk, percentage, i + 1)).start()

jcupitt.. 11

图像调整大小实际上并不是CPU密集型的.您会发现在图像解码和编码库中花费了大量时间,而GPU几乎没有帮助.

一个简单的事情就是尝试将PIL换成枕头模拟器.它与枕头兼容,但许多内环已被手写矢量代码所取代.您通常可以期望将图像大小调整为6倍到10倍的加速.

libjpeg支持非常快速的负载收缩.它可以作为图像解码的一部分进行x2,x4或x8缩小 - 您可以轻松获得20倍的速度以实现大幅缩小.你需要研究如何在枕头中启用它.

您还可以考虑其他图像处理库.libvips有一个快速和低内存的命令行工具,用于图像收缩,vipsthumbnail.结合GNU parallel,您可以轻松获得巨大的加速.

例如,我可以创建一个包含1,000个大型JPG图像的目录:

$ vipsheader ../nina.jpg 
../nina.jpg: 6048x4032 uchar, 3 bands, srgb, jpegload
$ for i in {1..1000}; do cp ../nina.jpg $i.jpg; done

然后用imagemagick像这样缩小:

$ time for i in {1..1000}; do convert $i.jpg -resize 128x128 tn_$i.jpg; done
real    6m43.627s
user    31m29.894s
sys 1m51.352s

或者使用GNU parallel并且vipsthumbnail像这样:

$ time parallel vipsthumbnail -s 128 ::: *.jpg
real    0m11.940s
user    1m15.820s
sys 0m11.916s

大约快33倍.

你可以使用convert带parallel,但每个convert过程大概需要用6K X 4K JPG图片RAM 400MB的,所以它很容易填补记忆.你可能需要调整一下.vipsthumbnail只需要几mb的ram,这样你就可以安全地同时运行多个实例.

图像调整大小实际上并不是CPU密集型的.您会发现在图像解码和编码库中花费了大量时间,而GPU几乎没有帮助.

一个简单的事情就是尝试将PIL换成枕头模拟器.它与枕头兼容,但许多内环已被手写矢量代码所取代.您通常可以期望将图像大小调整为6倍到10倍的加速.

libjpeg支持非常快速的负载收缩.它可以作为图像解码的一部分进行x2,x4或x8缩小 - 您可以轻松获得20倍的速度以实现大幅缩小.你需要研究如何在枕头中启用它.

您还可以考虑其他图像处理库.libvips有一个快速和低内存的命令行工具,用于图像收缩,vipsthumbnail.结合GNU parallel,您可以轻松获得巨大的加速.

例如,我可以创建一个包含1,000个大型JPG图像的目录:

$ vipsheader ../nina.jpg 
../nina.jpg: 6048x4032 uchar, 3 bands, srgb, jpegload
$ for i in {1..1000}; do cp ../nina.jpg $i.jpg; done

然后用imagemagick像这样缩小:

$ time for i in {1..1000}; do convert $i.jpg -resize 128x128 tn_$i.jpg; done
real    6m43.627s
user    31m29.894s
sys 1m51.352s

或者使用GNU parallel并且vipsthumbnail像这样:

$ time parallel vipsthumbnail -s 128 ::: *.jpg
real    0m11.940s
user    1m15.820s
sys 0m11.916s

大约快33倍.

你可以使用convert带parallel,但每个convert过程大概需要用6K X 4K JPG图片RAM 400MB的,所以它很容易填补记忆.你可能需要调整一下.vipsthumbnail只需要几mb的ram,这样你就可以安全地同时运行多个实例.