[Python]在 OpenCV 中啟用 CUDA 加速來運行 DNN 超分辨率模型

本文將指導你如何修改現有的 OpenCV 程式碼，使其利用 CUDA 加速進行深度神經網絡（DNN）推理，如超分辨率圖像放大任務。這將顯著提升運行速度，特別是在高分辨率圖像處理中。

在CMake上這選項要開，才可支援DNN模組。

CMake編譯OpenCV教學文 連結

CPU與GPU比較結果

程式範例

分別改這四行，就會切換使用GPU或CPU

sr.setPreferableBackend(cv2.dnn.DNN_BACKEND_CUDA)
sr.setPreferableTarget(cv2.dnn.DNN_TARGET_CUDA)

# sr.setPreferableBackend(cv2.dnn.DNN_BACKEND_OPENCV)

# sr.setPreferableTarget(cv2.dnn.DNN_TARGET_CPU)

程式碼

import cv2
import time

def performance_decorator(func):
    def wrapper(*args, **kwargs):
        start_time = time.time()
        result = func(*args, **kwargs)
        end_time = time.time()
        print(f"{func.__name__} 執行時間：{end_time - start_time} 秒")
        return result
    return wrapper

@performance_decorator
def test():
    # 初始化 DnnSuperResImpl_create
    sr = cv2.dnn_superres.DnnSuperResImpl_create()
    # 讀取圖片
    img = cv2.imread('D:/python/crab/Dnn_superres/111.jpg')
    height,width = img.shape[:2]
    img = cv2.resize(img, (width // 4, height // 4))  # 減少影像大小
    # 讀取預訓練的模型，這裡使用 EDSR_x4 模型放大 4 倍
    sr.readModel(r"D:\python\crab\Dnn_superres\EDSR_x4.pb")
    # 設置模型類型和放大倍率
    print('設置模型類型和放大倍率')
    sr.setModel("edsr", 4)
    # # 設定後端為 CUDA
    print('改使用 GPU運算')
    sr.setPreferableBackend(cv2.dnn.DNN_BACKEND_CUDA)
    sr.setPreferableTarget(cv2.dnn.DNN_TARGET_CUDA)
    # print('改使用 CPU運算')
    # sr.setPreferableBackend(cv2.dnn.DNN_BACKEND_OPENCV)
    # sr.setPreferableTarget(cv2.dnn.DNN_TARGET_CPU)
    # 使用 DNN 模型放大圖像
    print('使用 DNN 模型放大圖像')
    res_img = sr.upsample(img)  
    # 保存放大的影像
    cv2.imwrite('D:/python/crab/Dnn_superres/111_out.png', res_img)

# 測試運行
test()

比較驗證放大的圖差異

一模一樣，無差異性

左邊是CPU運算的結果，右邊是GPU，影響的只有處理時間。

兩張圖相減，在灰階二值化驗證是否有差異點

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 讀取兩張圖片
img1 = cv2.imread(r'D:\python\crab\Dnn_superres\111_out_cpu.png')
img2 = cv2.imread(r'D:\python\crab\Dnn_superres\111_out_gpu.png')

# 確保兩張圖片尺寸相同
if img1.shape != img2.shape:
    raise ValueError("兩張圖片必須大小相同")

# 兩張圖片相減
diff = cv2.absdiff(img1, img2)

# 轉換為灰階
gray = cv2.cvtColor(diff, cv2.COLOR_BGR2GRAY)

# 自動二值化（Otsu's Binarization）
_, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

# 使用 matplotlib 顯示結果
plt.figure(figsize=(12, 6))

# 顯示相減結果
plt.subplot(1, 3, 1)
plt.imshow(cv2.cvtColor(diff, cv2.COLOR_BGR2RGB))
plt.title('Difference Image')
plt.axis('off')

# 顯示灰階圖
plt.subplot(1, 3, 2)
plt.imshow(gray, cmap='gray')
plt.title('Grayscale Image')
plt.axis('off')

# 顯示二值化結果
plt.subplot(1, 3, 3)
plt.imshow(binary, cmap='gray')
plt.title('Binary Image')
plt.axis('off')

# 顯示圖片
plt.tight_layout()
plt.show()