11

杨二凯 · 2月9日

转载 | 使用OpenCV中的universal intrinsics为算法提速 (3)

本文作者:于仕琪(OpenCV团队)

OpenCV 4.x中提供了强大的统一向量指令(universal intrinsics),使用这些指令可以方便地为算法提速。所有的计算密集型任务皆可使用这套指令加速,非计算机视觉算法也可。目前OpenCV的代码加速实现基本上都基于这套指令。

前序文章:
使用OpenCV中的universal intrinsics为算法提速 (1)
使用OpenCV中的universal intrinsics为算法提速 (2)

前序文章1介绍了怎么编写C语言代码使用OpenCV中的universal intrinsics来加速;文章2介绍了编译器的选项。

本文使用一个向量点乘的例子,来展示universal intrinsics的的提速。

我们有两个向量vec1和vec2,将对应元素相乘,然后累加起来。计算公式为:

sum=vec1[0]*vec2[0] + vec1[1]*vec2[1]+ ... + vec1[n]*vec2[n].

如果采用纯C语言,两个行向量的点乘实现如下(如代码显示不完整,可以左右滑动;或横屏阅读)

float dotproduct_c_float(Mat vec1, Mat vec2)
{
    float * pV1 = vec1.ptr<float>(0);
    float * pV2 = vec2.ptr<float>(0);
    float sum = 0.0f;
    for (size_t c = 0; c < vec1.cols; c++)
    {
        sum += pV1[c] * pV2[c];            
    }
    return sum;
}

如果采用OpenCV的universal intrinsics,两个行向量的点乘实现如下:

(注意:下面函数仅为展示原理,未考虑数组长度不是16(32或64)字节倍数情况)

float dotproduct_simd_float(Mat vec1, Mat vec2)
{
    float * pV1 = vec1.ptr<float>(0);
    float * pV2 = vec2.ptr<float>(0);
    size_t step = sizeof(v_float32)/sizeof(float);

    //向量元素全部初始化为零
    v_float32 v_sum = vx_setzero_f32();
    for (size_t c = 0; c < vec1.cols; c+=step)
    {
        v_float32 v1 = vx_load(pV1+c);
        v_float32 v2 = vx_load(pV2+c);
        //把乘积累加
        v_sum += v1 * v2; 
    }
    //把向量里的所有元素求和
    float sum = v_reduce_sum(v_sum);

    return sum;
}

例程使用OPEN AI LAB的EAIDK-310开发板,OpenCV4.2.0,CPU型号为是RK3228H,采用ARM四核64位处理器 ,四核Cortex-A53,最高1.3GHz。

image.png

两个例子的编译命令分别如下(注意:皆采用了-O3选项以提速):

g++ dotproduct-c.cpp -o dotproduct-c -O3 -I/usr/local/include/opencv4 -lopencv_core
g++ dotproduct-simd.cpp -o dotproduct-simd -O3 -I/usr/local/include/opencv4 -lopencv_core

运行耗时如下图

image.png

从两个函数的耗时可以看出,采用OpenCV的universal intrinsics后耗时仅为一半,速度翻倍。

两个例程的完整源代码如下。首先是C语言版本的dotproduct-c.cpp:

<stdio.h>
#include <opencv2/opencv.hpp>

using namespace cv;

float dotproduct_c_float(Mat vec1, Mat vec2)
{
    float * pV1 = vec1.ptr<float>(0);
    float * pV2 = vec2.ptr<float>(0);
    float sum = 0.0f;
    for (size_t c = 0; c < vec1.cols; c++)
    {
        sum += pV1[c] * pV2[c];            
    }
    return sum;
}

int main(int argc, char ** argv)
{

    Mat vec1(1, 16*1024*1024, CV_32FC1);
    Mat vec2(1, 16*1024*1024, CV_32FC1);

    vec1.ptr<float>(0)[2]=3.3f;
    vec2.ptr<float>(0)[2]=2.0f;

    double t = 0.0;
    t = (double)getTickCount();

    float sum = dotproduct_c_float(vec1, vec2);

    t = ((double)getTickCount() - t) / (double)getTickFrequency() * 1000; 
    printf("C time = %gms\n", t);
    printf("sum=%g\n", sum);

    return 0;
}

dotproduct-simd.cpp如下:

#include <stdio.h>
#include <opencv2/opencv.hpp>
#include <opencv2/core/simd_intrinsics.hpp>
using namespace cv;

float dotproduct_simd_float(Mat vec1, Mat vec2)
{
    float * pV1 = vec1.ptr<float>(0);
    float * pV2 = vec2.ptr<float>(0);
    size_t step = sizeof(v_float32)/sizeof(float);

    //向量元素全部初始化为零
    v_float32 v_sum = vx_setzero_f32();
    for (size_t c = 0; c < vec1.cols; c+=step)
    {
        v_float32 v1 = vx_load(pV1+c);
        v_float32 v2 = vx_load(pV2+c);
        //把乘积累加
        v_sum += v1 * v2; 
    }
    //把向量里的所有元素求和
    float sum = v_reduce_sum(v_sum);

    return sum;
}

int main(int argc, char ** argv)
{

    Mat vec1(1, 16*1024*1024, CV_32FC1);
    Mat vec2(1, 16*1024*1024, CV_32FC1);

    vec1.ptr<float>(0)[2]=3.3f;
    vec2.ptr<float>(0)[2]=2.0f;

    double t = 0.0;
    t = (double)getTickCount();

    float sum = dotproduct_simd_float(vec1, vec2);

    t = ((double)getTickCount() - t) / (double)getTickFrequency() * 1000; 
    printf("SIMD time = %gms\n", t);

    printf("sum=%g\n", sum);

    return 0;
}

OpenCV中国团队由深圳市人工智能与机器人研究院支持,是一个非营利的开源团队,致力于OpenCV的开发、维护和推广工作。

获取OpenCV最新动态,长按下方二维码关注
image.png

本文转载自公众号: OpenCV团队
原文链接:https://mp.weixin.qq.com/s/Jt...
11 阅读 468
推荐阅读
0 条评论
关注数
1272
内容数
53
EAIDK开发者社区和你分享入门和进阶教程、应用案例以及最新的功能解读;你还可以在社区随时提问,会有技术一对一解答;同时,工程师团队会定期在线直播分享答疑解惑。 所有开发者均可以发布自己的案例文章、图文教程等,社区会定期评选社区贡献奖项。
目录
极术微信服务号
关注极术微信号
实时接收点赞提醒和评论通知
Arm中国学堂公众号
关注Arm中国学堂
实时获取免费 Arm 教学资源信息
Arm中国招聘公众号
关注Arm中国招聘
实时获取 Arm 中国职位信息