from SceneDetector import SceneDetector
from multiprocessing import Pipe, Process
import numpy as np
import time
import cv2
def SceneWorker(pipe_conn, model_path, is_onnx = False):
sd = SceneDetector(model_path, is_onnx = True)
while True:
data = pipe_conn.recv()
if data is None:
break
results = sd.infer_scenes(data)
pipe_conn.send(results)
if __name__ == '__main__':
model_path = 'models/scene_model.onnx'
scene_conn, scene_child_conn = Pipe()
scene_process = Process(target=SceneWorker, args=(scene_child_conn, model_path, True,))
scene_process.start()
test_img = cv2.imread('TestImages/1440P_1000M_8X.jpg')
for _ in range(5000):
scene_conn.send([test_img])
results = scene_conn.recv()[0]
print(results)
time.sleep(0.1) #这里在推理间加入了间隔
scene_conn.send(None)
scene_process.join()
推理本身时间只用不到 2ms ，连续推理时 CPU 占用率会短暂上升，推理结束后立刻归零，但是如果推理之间有间隔，则 CPU 占用则会保持在一个很高的水平。一开始以为是time.sleep的问题，后来试过了用threading的Event和asyncio的await做间隔，结果也是一样的。
使用Torch或者Onnx的模型结果都是一样的，把cv预处理删除掉也不影响 CPU 使用，所以也不是cv的问题。今天还测试了把推理单独开一个进程，也没有改善。
Select Language