基於pybind11實現Python調用c++編寫的CV算法--下（Linux+Cmake）

本文轉載自查看原文 2020-05-04 16:37 3339

C++ 是一種編譯型(compiled)語言，設計重點是性能、效率和使用靈活性，偏向於系統編程、嵌入式、資源受限的軟件和系統。

Python是一種解釋型(interpreted)語言，同樣也支持不同的編程范式。Python 內置了常用數據結構(str, tuple, list, dict)，簡潔的語法、豐富的內置庫(os,sys,urllib,...)和三方庫(numpy, tf, torch ...)，功能強大。最為重要的是和能夠和多種服務(flask…）和tensorflow、pytorch等無縫聯合，從而方便將你的算法開放出去。

一方面，我們需要編譯型語言(C++)性能；一方面，也需要解釋型語言(Python)的靈活。這時，pybind11 可以用作 C++ 和 Python 之間溝通的橋梁。

Pybind11 是一個輕量級只包含頭文件的庫，用於 Python 和 C++ 之間接口轉換，可以為現有的 C++ 代碼創建 Python 接口綁定。Pybind11 通過 C++ 編譯時的自省來推斷類型信息，來最大程度地減少傳統拓展 Python 模塊時繁雜的樣板代碼，已經實現了 STL 數據結構、智能指針、類、函數重載、實例方法等到Python的轉換，其中函數可以接收和返回自定義數據類型的值、指針或引用。

由於在Windows上和在Linux上使用會有較大不同，所以我這里將分為兩個部分來說明問題，本文為下篇，具體說明Linux+Cmake實現。

我認為在Linux上使用python調用c++函數更有現實價值，畢竟許多新的服務、深度運算等都是運行在linux上的。具體步驟可以參考如下。

1、Linux下python調用c++的 安裝配置

下載pybind11
git clone https://github.com/pybind/pybind11.git

安裝pytest
pip install pytest

編譯安裝。這個地方我建議你首先將下載下來的pybind11備份一份

 
           
            
             
             cd pybind11 
             
             
             mkdir build 
             
 
             cd build 
             
 
             cmake .. 
             
 
             cmake  
             -- 
             build .  
             -- 
             config Release  
             -- 
             target check

這個編譯的過程非常專業。

2、編譯最簡單的代碼

在Linux上編譯，我們一般選擇gcc的方式。

 
            
            $ c 
            ++  
            - 
            O3  
            - 
            Wall  
            - 
            shared  
            - 
            std 
            = 
            c 
            ++ 
            11  
            - 
            fPIC  
            ` 
            python3  
            - 
            m pybind11  
            -- 
            includes 
            ` 
             example.cpp  
            - 
            o example 
            ` 
            python3 
            - 
            config  
            -- 
            extension 
            - 
            suffix 
            `

成功調用。但是目前直接是使用gcc進行編譯的，實際情況是可能需要調用其它的庫，比如OpenCV，這樣就需要進一步研究。

3、使用 Cmake進行編譯

使用 cmake 創建工程，編譯為動態庫，然后使用 python 測試。

寫一個CMakeLists.txt，注意要理解它的意思

 
              
                cmake_minimum_required(VERSION  
               2. 
               8. 
               12) 
               
project(example)    
               
 
               
add_subdirectory(pybind11) 
               
pybind11_add_module(example example.cpp)

這里要求example.cpp放在和pybind11同一級的目錄下，因為我們在CMakeLists.txt中調用了同目錄pybind11和同目錄的example.cpp文件。在當前目錄下執行。這里需要注意，正確的文件方法：

就是CMakeList.txt和example.cpp和pybind11(最高層）放在一個目錄下面。

會生成example.cpython-36m-x86_64-linux-gnu.so文件。

這個文件就是python可以調用的文件。還是在相同目錄下運行python，進入python命令行

 
            
            import example 
            
example.add( 
            3,  
            4) 
            
[out] 
            :  
            7

非常好的效果，對於解決系列問題來說都是有幫助的。

4、如何和OpenCV相結合

這里困難的一點就是使用CMake編譯OpenCV程序，在之前，我都是借助QT或者VS來完成這個工作，而這里只能給使用CMake來完成這個工作，這個是首先要解決的問題，然后才是PYD(so)的問題。經過尋覓，終於找到（參考1）。這個部分一定要注意，可以說是本篇博客最有價值的地方，也是我花費時間最長的地方。

 
            
             
              
               
                
                 
                  
                  project(example)  
                  
                  
                  cmake_minimum_required(VERSION 2.8.12) 
                  
                 
                 
                 find_package(OpenCV REQUIRED)  
                 
                 
                 include_directories(${OpenCV_INCLUDE_DIRS}) 
                 
                 
                 add_subdirectory(pybind11) 
                 
                 
                 
 
                 
                 
                 pybind11_add_module(example example.cpp) 
                 
                 
                 target_link_libraries(example PRIVATE ${OpenCV_LIBS}) 
                 
                
                 
                   project(example) 
                  
cmake_minimum_required(VERSION  
                  2. 
                  8. 
                  12) 
                  
  
                  
find_package(OpenCV REQUIRED) 
                  
include_directories(${OpenCV_INCLUDE_DIRS}) 
                  
add_subdirectory(pybind11) 
                  
  
                  
SET(SOURCES 
                  
  ${CMAKE_CURRENT_SOURCE_DIR} 
                  /example.cpp 
                  
) 
                  
  
                  
pybind11_add_module(example ${SOURCES}) 
                  
 
                  target_link_libraries(example  
                  PRIVATE  
                  ${OpenCV_LIBS}) 
                  
               
              
             
             
             簡單分析一下這段Cmake，除了必須的項目名稱等以外，就是簡單地去尋找OpenCV等的地址，而后將lib輸入進去。 
             pybind11_add_module相當於建立項目，使用Set方法方便批量處理。 
             
             
             其中注意兩點： 
             
             
             1、target_link_libraries(example PRIVATE ${OpenCV_LIBS}) 放最后 
             
             
             2、xample PRIVATE 不可缺少，否則報這個錯 
             
             
              
             
             
             成功調用結果， 
             注意絕對地址。

5、Mat輸入，Vector輸出

這里繼續實際問題的研究，這里仍然會有一些新的Cmake問題。

 
            
              project(example)  
             
cmake_minimum_required(VERSION  
             2. 
             8. 
             12) 
             
 
             
find_package(OpenCV REQUIRED)  
             
include_directories(${OpenCV_INCLUDE_DIRS}) 
             
add_subdirectory(pybind11) 
             
 
             
SET(SOURCES 
             
  ${CMAKE_CURRENT_SOURCE_DIR} 
             /example.cpp 
             
  ${CMAKE_CURRENT_SOURCE_DIR} 
             /mat_warper.h 
             
  ${CMAKE_CURRENT_SOURCE_DIR} 
             /mat_warper.cpp 
             
) 
             
  
             
pybind11_add_module(example ${SOURCES}) 
             
target_link_libraries(example PRIVATE ${OpenCV_LIBS})

應該是一次性通過的。這些沒有太大問題。比較關鍵的問題就是部署，然后就是總結備份了。

可以直接將現有算法以“三明治”的方式添加上去。其中需要注意GOCVHelper改動較多。

6、移植和封裝

我希望FindPip能夠成為一個比較標准的庫，也就是在Python中能夠以標准的方法調用：輸入圖片，輸出圓心組；並且在新的系統中能夠直接通過Cmake+make進行部署。這樣的結果才方便別人使用。現在的話，應該可以將.so文件和它的支持庫文件，一起拷貝吧。

現在的話，只要他們兩個在一起，main.py可以直接調用GOPyWarper***.so。這個結果是能夠被接受的。

我需要在另一台Ubuntu上進行實驗，如果可行就可以發布了。但是需要注意pybind11可能產生級聯問題。【還需要跟多異構實驗】

具體方法：

1、下載解壓；

 
          
             tar  
           -xvf GOPyWarper0429.tar

2、編譯（后附完整編譯）

 
           
           
             mkdir build 
            
           
             cd build 
            
           
             cmake ..  
            
make 
            
cp GOPyWarper.cpython 
            - 
            36m 
            -x86_64 
            -linux 
            -gnu.so ../demo 
            
           
             cd ../demo 
            
           
             python3 main.py

3、 demo.py解讀

 
           
           import cv2 
           
 
           import GOPyWarper 
           
 
           import numpy as np 
           
 
           
 
           #獲取圖片，彩色3通道。 
           
 
           #中文和空格不支持 
           
src  
           = cv2.imread( 
           'pip.jpg', 
           1)  
           
 
           
 
           #GO_FindPips 
           
 
           #輸入mat,輸出為list(point1,point2,……），其中point代表一個找到的圓心。. 
           
varCircles  
           = GOPyWarper.GO_FindPips(src) 
           
 
           #print(varCircles) 
           
 
           
 
           #GO_Resize 
           
 
           #輸入mat,輸出為規則化后文件大小 
           
varResize  
           = GOPyWarper.GO_Resize(src) 
           
 
           
 
           #繪圖 
           
dst 
           =cv2.resize(src,(( 
           int)(varResize[ 
           0]),( 
           int)(varResize[ 
           1])),interpolation 
           =cv2.INTER_CUBIC) 
           
 
           for i  
           in varCircles[ 
           :] 
           : 
           
    cv2.circle(dst,(i[ 
           0],i[ 
           1]), 
           5,( 
           0, 
           255, 
           0), 
           - 
           1) 
           
     
           
cv2.imshow( 
           "dst",dst) 
           
cv2.waitKey( 
           0)

var1為圓心數組。這里生成的結果，只有這個*.so文件是需要保留的，可以拷貝出來，其他文件可以刪除。

結果截圖：

全部命令：

 
          
            helu@helu 
           -virtual 
           -machine 
           : 
           ~ 
           /sandbox$ tar  
           -cvf GOPyWarper0430.tar GOPyWarper0430 
           
...... 
           
helu@helu 
           -virtual 
           -machine 
           : 
           ~ 
           /sandbox$ cd GOPyWarper0430 
           
helu@helu 
           -virtual 
           -machine 
           : 
           ~ 
           /sandbox 
           /GOPyWarper0430$ mkdir build 
           
helu@helu 
           -virtual 
           -machine 
           : 
           ~ 
           /sandbox 
           /GOPyWarper0430$ cd build 
           
helu@helu 
           -virtual 
           -machine 
           : 
           ~ 
           /sandbox 
           /GOPyWarper0430 
           /build$ cmake .. 
           
...... 
           
helu@helu 
           -virtual 
           -machine 
           : 
           ~ 
           /sandbox 
           /GOPyWarper0430 
           /build$ make  
           
Scanning dependencies of target GOPyWarper 
           
[  
           20 
           %] Building CXX object CMakeFiles 
           /GOPyWarper.dir 
           /src 
           /GOPyWarper.cpp.o 
           
[  
           40 
           %] Building CXX object CMakeFiles 
           /GOPyWarper.dir 
           /src 
           /mat_warper.cpp.o 
           
[  
           60 
           %] Building CXX object CMakeFiles 
           /GOPyWarper.dir 
           /src 
           /GOCVHelper_2019_11_29.cpp.o 
           
[  
           80 
           %] Building CXX object CMakeFiles 
           /GOPyWarper.dir 
           /src 
           /GOFindPips.cpp.o 
           
[ 
           100 
           %] Linking CXX shared module GOPyWarper.cpython 
           - 
           36m 
           -x86_64 
           -linux 
           -gnu.so 
           
[ 
           100 
           %] Built target GOPyWarper 
           
helu@helu 
           -virtual 
           -machine 
           : 
           ~ 
           /sandbox 
           /GOPyWarper0430 
           /build$  
           cp GOPyWarper.cpython 
           - 
           36m 
           -x86_64 
           -linux 
           -gnu.so .. 
           /demo 
           / 
           
helu@helu 
           -virtual 
           -machine 
           : 
           ~ 
           /sandbox 
           /GOPyWarper0430 
           /build$ cd .. 
           /demo 
           / 
           
helu@helu 
           -virtual 
           -machine 
           : 
           ~ 
           /sandbox 
           /GOPyWarper0430 
           /demo$ python3 main.py

需要注意的一點是， 實際部署的時候，發現在沒有安裝OpenCV的機器上，報這個錯誤

那么也就是說opencv_python那種命令行安裝的方式是不行的，必須采用cmake完整安裝。我在一個全新的ubuntu上安裝最新版OpenCV后獲得如下回顯：

 
            
              helu@helu 
             -virtual 
             -machine 
             : 
             ~ 
             /workstation 
             /GOPyWarper0430$ cd build 
             / 
             
helu@helu 
             -virtual 
             -machine 
             : 
             ~ 
             /workstation 
             /GOPyWarper0430 
             /build$ cmake .. 
             
 
             -- Found OpenCV 
             :  
             /usr 
             /local (found version  
             "4.3.0")  
             
 
             -- Found PythonInterp 
             :  
             /usr 
             /bin 
             /python3. 
             8 (found version  
             "3.8.2")  
             
 
             -- Found PythonLibs 
             :  
             /usr 
             /lib 
             /x86_64 
             -linux 
             -gnu 
             /libpython3. 
             8.so 
             
 
             -- pybind11 v2. 
             5.dev1 
             
 
             -- Performing Test HAS_FLTO 
             
 
             -- Performing Test HAS_FLTO  
             - Success 
             
 
             -- LTO enabled 
             
 
             -- Configuring  
             done 
             
 
             -- Generating  
             done 
             
 
             -- Build files have been written to 
             :  
             /home 
             /helu 
             /workstation 
             /GOPyWarper0430 
             /build 
             
helu@helu 
             -virtual 
             -machine 
             : 
             ~ 
             /workstation 
             /GOPyWarper0430 
             /build$ make 
             
Scanning dependencies of target GOPyWarper 
             
[  
             20 
             %] Building CXX object CMakeFiles 
             /GOPyWarper.dir 
             /src 
             /GOPyWarper.cpp.o 
             
[  
             40 
             %] Building CXX object CMakeFiles 
             /GOPyWarper.dir 
             /src 
             /mat_warper.cpp.o 
             
[  
             60 
             %] Building CXX object CMakeFiles 
             /GOPyWarper.dir 
             /src 
             /GOCVHelper_2019_11_29.cpp.o 
             
[  
             80 
             %] Building CXX object CMakeFiles 
             /GOPyWarper.dir 
             /src 
             /GOFindPips.cpp.o 
             
[ 
             100 
             %] Linking CXX shared module GOPyWarper.cpython 
             - 
             38 
             -x86_64 
             -linux 
             -gnu.so 
             
[ 
             100 
             %] Built target GOPyWarper 
             
helu@helu 
             -virtual 
             -machine 
             : 
             ~ 
             /workstation 
             /GOPyWarper0430 
             /build$

7、性能比較

從原理上來說，基於python調用C++函數，其性能應該是依次劣於c++原生代碼和 opencv_python 的。為了驗證這個結論是否正確，我選擇對lena.jpg做經典的GaussBlur操作，並且分別統計在c++原生、opencv_python和pbind11調用情況下的速度。全部以ms計數。我選擇了一個比較大的核，這樣才能夠將時間差異拉出來。

GaussBlur	windows實體機 c++原生	ubuntu虛擬機 opencv_python	ubuntu虛擬機 pbind11
1次	32	34	40
重復100次	2819	3740	3891

參考代碼

原生c++

 
             
             int main() { 
             
    string path  
             =  
             "e:/template/lena.jpg"; 
             
    cv 
             : 
             :Mat src  
             = cv 
             : 
             :imread(path); 
             
    Mat     dst; 
             
  
             
     
             //開始計時 
             
     
             double dstart  
             = ( 
             double)cv 
             : 
             :getTickCount(); 
             
     
             for ( 
             int i 
             = 
             0;i 
             < 
             = 
             100;i 
             ++) 
             
    { 
             
        cv 
             : 
             :GaussianBlur(src, dst, cv 
             : 
             :Size( 
             101,  
             101),  
             1. 
             0,  
             1. 
             0); 
             
        printf( 
             "%d times %f ms\n", i, 
             1000  
             * (getTickCount()  
             - dstart)  
             / getTickFrequency()); 
             
     
             
    } 
             
    cv 
             : 
             :waitKey( 
             0); 
             
     
             return  
             0; 
             
}

原生python

 
             
             import cv2 
             
 
             import GOPyWarper 
             
 
             import numpy as np 
             
 
             
 
             
src  
             = cv2.imread( 
             '/home/helu/images/lena.jpg', 
             1)  
             
dstart  
             = cv2.getTickCount() 
             
 
             
 
             for i  
             in  
             range( 
             100) 
             : 
             
    blur  
             = cv2.GaussianBlur(src,( 
             101, 
             101), 
             1. 
             0, 
             None, 
             1. 
             0,borderType 
             = 
             4) 
             
     
             print( 
             1000  
             * ( cv2.getTickCount()  
             - dstart)  
             /cv2.getTickFrequency())

pybind11調用

 
             
             import cv2 
             
 
             import GOPyWarper 
             
 
             import numpy as np 
             
 
             
 
             #獲取圖片，彩色3通道。 
             
 
             #中文和空格不支持 
             
src  
             = cv2.imread( 
             '/home/helu/images/lena.jpg', 
             1)  
             
dstart  
             = cv2.getTickCount() 
             
 
             
 
             for i  
             in  
             range( 
             100) 
             : 
             
    blur  
             = GOPyWarper.test_gaussblur(src) 
             
     
             print( 
             1000  
             * ( cv2.getTickCount()  
             - dstart)  
             /cv2.getTickFrequency())

這里基本能夠認識到一些問題，但是也必須認識到，一方面開發效率也是效率，對於現有代碼的整合使用,pybind11是不可替代的；此外，對於集成的函數，可能相關結果不一定如這里的單個函數這樣明確。如果現在沒有非常明確的需求要使用python編寫，那么c++&pybind11的方法是首選。

8、遺留問題

命名問題，也就是目前在c++函數、project名稱、add_module三者都必須是統一的。這里不一定必須是這樣，但是目前是有效的。

9、小結：主要是在CMake上花費了不少時間，但是只要方向正確，有用的資源一定會源源不斷。積累相關經驗，繼續前進。

========================參考====== ====== ====== ====== ======

1、 https://blog.csdn.net/oqqENvY12/article/details/103604335

來自為知筆記(Wiz)

免責聲明！

本站轉載的文章為個人學習借鑒使用，本站對版權不負任何法律責任。如果侵犯了您的隱私權益，請聯系本站郵箱yoyou2525@163.com刪除。

猜您在找 基於pybind11實現Python調用c++編寫的CV算法--上（Windows+VS） windows 10 上使用pybind11進行C++和Python代碼相互調用 | Interfacing C++ and Python with pybind11 on windows 10 封裝Python和調用C++模塊的坑（使用pyinstaller和pybind11） ubuntu 16.04 上使用pybind11進行C++和Python代碼相互調用 | Interfacing C++ and Python with pybind11 on ubuntu 16.04 使用pybind11為Python編寫C++擴展（一）配置篇：Build（編譯和鏈接） python調用C++之pybind11入門（相互調用）基於DJango和Pybind11，實現網絡后端調用OpenCV算法 pybind11: C++ 工程如何提供 Python 接口 Python編譯Pybind11 python利用pybind11調用PCL點雲庫

基於pybind11實現Python調用c++編寫的CV算法--下 （Linux+Cmake）

免責聲明！

基於pybind11實現Python調用c++編寫的CV算法--下（Linux+Cmake）