comment utiliser le gpu::Ruisseau dans OpenCV?

OpenCV a gpu::Stream classe qui encapsule une file d'attente des appels asynchrones. Certaines fonctions ont des surcharges avec les autres gpu::Stream paramètre. Hormis gpu-basics-similarity.cpp exemple de code, il y a très peu d'information dans les OpenCV documentation sur comment et quand utiliser gpu::Stream. Par exemple, il n'est pas très clair (pour moi) qu'est-ce exactement gpu::Stream::enqueueConvert ou gpu::Stream::enqueueCopy faire, ou comment utiliser gpu::Stream supplémentaires, surcharge de paramètre. Je suis à la recherche d'un tutoriel comme aperçu de gpu::Stream.

OriginalL'auteur Alexey | 2013-07-24

  1. 10

    Par défaut, tous les gpu les fonctions du module sont synchrones, c'est à dire courant thread CPU est bloqué jusqu'à ce que l'opération se termine.

    gpu::Stream est un wrapper pour cudaStream_t et permet d'utiliser asynchrone appel non bloquant. Vous pouvez aussi lire "CUDA C Guide de Programmation" pour des informations détaillées sur CUDA asynchrone de l'exécution en simultané.

    La plupart des gpu module de fonctions supplémentaires gpu::Stream paramètre. Si vous passez par défaut flux de l'appel de la fonction sera asynchrone, et l'appel sera ajouté aux flux de file d'attente de commandes.

    Aussi gpu::Stream fournit methos pour mémoire asynchrone transferts entre CPU<->GPU et GPU<->GPU. Mais CPU<->GPU asynchrone mémoire transferts ne fonctionne qu'avec page verrouillée de la mémoire hôte. Il y a une autre classe gpu::CudaMem qui encapsule une telle mémoire.

    Actuellement, vous pouvez rencontrer des problèmes si la même opération est mis en file d'attente deux fois avec des données différentes à différents courants. Certaines fonctions d'utiliser la constante ou la texture de la mémoire graphique, et le prochain appel peut mettre à jour la mémoire avant que la précédente a été terminée. Mais l'appel de différentes opérations en mode asynchrone est sûr parce que chaque geste a son propre constante de la mémoire tampon. Copie de la mémoire/upload/download/opérations set de tampons que vous détenez sont également sans danger.

    Ici est de petite taille de l'échantillon:

    //allocate page-locked memory
CudaMem host_src_pl(768, 1024, CV_8UC1, CudaMem::ALLOC_PAGE_LOCKED);
CudaMem host_dst_pl;

//get Mat header for CudaMem (no data copy)
Mat host_src = host_src_pl;

//fill mat on CPU
someCPUFunc(host_src);

GpuMat gpu_src, gpu_dst;

//create Stream object
Stream stream;

//next calls are non-blocking

//first upload data from host
stream.enqueueUpload(host_src_pl, gpu_src);
//perform blur
blur(gpu_src, gpu_dst, Size(5,5), Point(-1,-1), stream);
//download result back to host
stream.enqueueDownload(gpu_dst, host_dst_pl);

//call another CPU function in parallel with GPU
anotherCPUFunc();

//wait GPU for finish
stream.waitForCompletion();

//now you can use GPU results
Mat host_dst = host_dst_pl;
    Merci! Donc, dans votre exemple, gpu::le Flux est utilisé pour les appels de fonction sur GPU sont asynchrones de CPU appels de fonction. Mais supposons que j'ai deux fonctions indépendantes (sur GPU). Puis-je utiliser deux distincts gpu::les objets de Flux, de sorte que ces fonctions s'exécutent en parallèle sur un seul GPU (semblable à du multi-threading)?
    quand on utilise plusieurs flux?
    Oui, vous pouvez utiliser plusieurs flux. Mais, comme je l'ai dit, vous pouvez rencontrer des problèmes si vous appelez les mêmes fonctions à partir de différents flux.
    Comment est-ce qu'un code valide? Ne serait pas host_src_pl être vide?
    stream.enqueueDownload va allouer de la mémoire pour host_dst_pl.

    OriginalL'auteur jet47