CUDA+OPENCV对尺寸较大的图片进行处理的时候 GPU无法实现并行计算

Eric_Huuuui 2020-08-03 07:37:45

各位大佬！
我用CUDA的OPENCV库对图像进行计算，图像尺寸较大（2000万像素），同时需要处理8张图片，此时GPU无法实现并行计算，现在计算时间差不多要十几秒。但是当我以实现并行使用小图片时，GPU便可实现并行计算。。。请问这怎么解决呢？？？

此致
敬礼！

...全文

932 1 打赏收藏转发到动态举报

写回复

1 条回复

切换为时间正序

请发表友善的回复…

发表回复

s.feng 2020-09-04

打赏
举报

回复 1

GPU能不能实现并行计算和图大小没关系，主要跟你kernel设置的grid和block的值有关，还有的memory有关系，你可以自己来写kernel解决以上问题

本文聚焦OpenCV-CUDA环境下批量图像处理的GPU性能优化，指出单图处理因PCIe数据传输开销导致加速失效；提出三大核心策略：批量统一上传降低传输频次、CUDA流实现上传-计算-下载重叠、图像拼接为大图以激活底层高度优化内核；并通过实测对比验证打包大图方案达9倍加速；同时强调显存约束、热数据驻留及定制Kernel的适用边界。

本文介绍了如何使用OpenCV和CUDA来加速图像预处理步骤，特别是针对TensorRT推理阶段的图像输入。通过加载图像、转换、缩放、归一化等操作，实现了与PyTorch中相似的预处理流程，并利用CUDA优化了处理速度。代码示例展示了如何将处理后的数据直接用于TensorRT的GPU推理。

本文深入分析VINS-Fusion-GPU与ORB_SLAM2_CUDA在SLAM前端的GPU加速实现，重点涵盖CUDA异构计算架构、OpenCV CUDA模块（GpuMat、Stream、ORB、FastFeatureDetector等）的使用流程，以及特征点提取、光流跟踪、图像金字塔构建、FAST检测、方向计算、高斯模糊和ORB描述子生成等核心环节的GPU优化策略。特别对比了OpenCV原生CUDA实现与SLAM定制化改进（双阈值机制、四叉树均匀化、内存管理优化、并行策略重构）的技术差异。

这篇博客介绍了如何利用OpenCV库中的CUDA模块进行GPU加速的图像重采样操作。通过示例代码展示了如何将图像从GPU内存中读取，然后使用`cv::cuda::resize`函数进行尺寸调整，最后将结果保存回GPU内存。这种方法对比传统的CPU实现，能显著提升图像处理的效率。

本文详细介绍如何将OpenCV图像处理功能与CUDA相结合，实现高效并行计算。主要内容包括理解cv::Mat::data指针、图像数据在CPU与GPU间的传输、CUDA内核函数设计及调用等关键步骤。

CUDA高性能计算讨论

357

社区成员

615

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章