免费久久国产&夜夜毛片&亚洲最大无码中文字幕&国产成人无码免费视频之奶水&吴家丽查理三级做爰&国产日本亚欧在线观看

import cv2 as cv

gpu_frame = cv．cuda_GpuMat()

screenshot = cv．imread('media/drip．png')

gpu_frame．upload(screenshot)

gpu_frame．download()

概述在單張圖像上使用在多張圖像上使用對多張圖像使用Dask進行并行延時處理在單張圖像上使用我們需要創建GPU空間(GPU_frame)來保存圖像(就像相框保存圖片一樣),然后才能將圖像上傳到GPU。第1步:上傳import cv2 as cv

gpu_frame = cv．cuda_GpuMat()

接下來用CPU將圖像加載到內存中(截圖),并將其上傳到gpu上(幀圖像);screenshot = cv．imread('media/drop．png')

gpu_frame．upload(screenshot)

第2步:處理圖像OpenCV CUDA函數返回cv2．cuda_GpuMat(GPU矩陣),因此每個結果都可以在用戶不必重新上傳的情況下進行操作。讓我們把圖像從RGB轉換成BGR(OpenCV格式),然后調整大小;screenshot = cv．cuda．cvtColor(gpu_frame, cv．COLOR_RGB2BGR)
screenshot = cv．cuda．resize(screenshot, (400, 400))

注意:你調用的函數的第一個參數應該是GPU矩陣(GPU幀),而不是你剛剛上傳的圖像,這會返回一個新的GPU矩陣。原始的GPU矩陣(gpu_frame)將繼續保存原始圖像,直到新圖像被上傳。第3步:下載處理之后的圖像在GPU上,我們需要把它下載回CPU;screenshot．download()

注意:．download()將從cv轉換為圖像,即從cuda_GpuMat到 numpy．ndarray。在多張圖像上使用如果需要處理新圖片,只需調用．upload()將新圖片加載到現有的GPU矩陣中。圖像在傳遞給GPU之前仍然必須加載到CPU上。import cv2 as cv

img_files = ['bear．png', 'drip．png', 'tldr．png', 'frog．png']

# 創建幀來保存圖片(cv2．cuda_GpuMat)

gpu_frame = cv．cuda_GpuMat()

for i in range(len(img_files)):
   # 加載圖像(CPU)
   screenshot = cv．imread(f"media/{img_files[i]}")
   # 上傳到GPU
   gpu_frame．upload(screenshot)
   # 轉換顏色到opencv (numpy) ndarray→cv2．cuda_GpuMat
   screenshot = cv．cuda．cvtColor(gpu_frame, cv．COLOR_RGB2BGR)
   # 反向閾值@ 100
   screenshot = cv．cuda．threshold(screenshot, 105, 255, cv．THRESH_BINARY_INV)
   # 調整圖像
   screenshot = cv．cuda．resize(screenshot[1], (200, 200))
   # 從GPU下載圖像(cv2) cuda_GpuMat→numpy．ndarray
   screenshot = screenshot．download()
這一次我們在預處理中添加了一個反向的binary．threshold()函數;

對多張圖像使用Dask進行并行延時處理使用Dask延時,我們可以將上面的循環推入到Dask延時函數,并行預處理多張圖。import cv2 as cv
import dask．delayed
@dask．delayed
def preprocess(files):
   # 復制圖像文件
   i_files = files．copy()
   # 創建GPU幀來保存圖像
   gpu_frame = cv．cuda_GpuMat()
   for i in range(len(i_files)):
       # 加載圖像(CPU)
       screenshot = cv．imread(f'media/{i_files[i]}')
       # 上傳到GPU
       gpu_frame．upload(screenshot)
       # 轉換顏色到opencv (numpy) ndarray→cv2．cuda_GpuMat
       screenshot = cv．cuda．cvtColor(gpu_frame, cv．COLOR_RGB2BGR)
       screenshot = cv．cuda．cvtColor(screenshot, cv．COLOR_BGR2GRAY)
       # 反向閾值@ 100
       screenshot = cv．cuda．threshold(screenshot, 125, 255, cv．THRESH_BINARY)
       # 調整圖像
       screenshot = cv．cuda．resize(screenshot[1], (200, 200))
       
       # 從GPU下載圖像 (cv2．cuda_GpuMat -> numpy．ndarray)
       screenshot = screenshot．download()
       # 用新圖像
       i_files[i] = screenshot
   
   # 輸出預處理圖像
   return i_files

添加了另一個．cvtColor()來灰度化圖像,并將反轉的二進制閾值切換為二進制閾值。我們現在可以使用compute()來進行計算了;from dask import compute

img_files = ['bear．png', 'drip．png', 'tldr．png', 'frog．png']

img_files_2 = ['apple．png', 'eye．png', 'window．png', 'blinds．png']

# 設置延遲

set_a = dask．delayed(preprocess)(img_files)

set_b = dask．delayed(preprocess)(img_files_2)

# 開始計算

out_a, out_b = compute(*[set_a, set_b])

結果