Unix

Unix/Linux操作系统提供了一个fork()系统调用，它非常特殊。普通的函数调用，调用一次，返回一次，但是fork()调用一次，返回两次，因为操作系统自动把当前进程（称为父进程）复制了一份（称为子进程），然后，分别在父进程和子进程内返回。

子进程永远返回0，而父进程返回子进程的ID。这样做的理由是，一个父进程可以fork出很多子进程，所以，父进程要记下每个子进程的ID，而子进程只需要调用getppid()就可以拿到父进程的ID。

由于Windows没有fork调用，Windows上无法使用，因此python提供了一个跨平台的多进程支持。multiprocessing模块就是跨平台版本的多进程模块。多进程 Multiprocessing 和多线程 threading 类似, 都是在 python 中用来并行运算的. 由于python存在GIL全局锁的功能，影响了python的多线程并行计算能力，为了解决此类问题，python提供了多进程的概念。

queue的功能是将每个核或线程的运算结果放在队里中， 等到每个线程或核运行完毕后再从队列中取出结果， 继续加载运算。因为多线程或者多进程调用的函数不能有返回值, 所以使用Queue存储多个线程或者进程运算的结果

有了python多进程的基础知识，我们来优化上期代码，来进行视频流的实时对象检测

1 导入需要的第三方库

import 第三方库

2 初始化训练模型

15 输入prototxt与caffe 的模型文件地址

21 针对每个label，随机建一个颜色，以便后期检测图片时 ，使用不同的颜色框，以便区分

28 判断输入队列中是否有数据

30 31 设置图片尺寸，并计算blob值

33 正向传递预测

37 初始化预测值，默认none

43 读取视频中的帧图片

45 获取图片宽度与高度

48 49 若输出队列中有检测结果数据， 获取检测结果数据

5 获取检测结果，并把检测结果加入图片中

本段代码跟前几期的文章只在第一条上有差别，因为我们前期初始化了detections，我们判断一下detections是否是none，来加速无效代码的运行

6 显示最终图片

当for循环结束后，我们把当前帧获取的图片检测结果实时显示出来，由于多进程的设计，当进程执行时，video_start函数可以继续执行，并不是阻塞式程序，便加快了图片检测的速度，

当输入q退出时，便可以看到多进程处理的速度大概是每秒60帧

电脑配置不是太高: i5+4G

7、主函数入口

由于多进程的特殊性，新建进程与启动进程，需要在if __name__ == '__main__':函数中

82 初始化输出队列，设置最大值1

设置输入输出队列都是1，避免进程中数据混淆

86 开始进程

#87 开始实时视频检测

以上便是完整的代码结构，opencv没有GPU加速，采用多进程的方式，也可以加快代码运行，使用多进程，大大提高了代码运行速度，也加速了图片检测的速度，我们观看实时生成的视频时，看着也比较流畅，没有了先前的卡顿感

多核，多任务

微&&信搜索：启示AI科技

体验不一样的AI工具

预训练模型地址可参考往期文章

本站所发布的文字与图片素材为非商业目的改编或整理，版权归原作者所有，如侵权或涉及违法，请联系我们删除