当前位置：首页>python>Python太慢了?用 Numba JIT 大幅提升计算机视觉速度

Python太慢了?用 Numba JIT 大幅提升计算机视觉速度

2026-01-29 18:05:00

点击下方卡片，关注“OpenCV与AI深度学习”

视觉/图像重磅干货，第一时间送达!

OpenCV实现，这并不是错误的方法。它可以是边缘检测、色彩空间转换、阈值调整、特征提取......但有时，我们可能需要为特定任务编写自己的函数和方法。而当我们处理实时应用时，纯Python非常麻烦。具体来说，当存在嵌套循环时，性能会大幅下降。你总可以用C++实现高性能，但Python中有一些提升FPS的解决方案。有一个叫Numba的库，非常适合提升Python的FPS。你不必局限于计算机视觉，你可以用Numba配合任何Python代码。

什么是Numba及其运作方式

那么 Numba 是如何提升性能的呢？实际上，它是一个 Python 代码的编译器。调用函数时，它会将 Python 代码编译成机器码。Python 是一种解释型语言，所以每行执行时都是逐行执行的。如果存在循环，每次迭代都会重复相同的作，尽管代码是相同的。使用 Numba 时，你只需编译一次 Python 代码，并一直使用直到程序结束。甚至还有保存 Numba 代码缓存的选项，这样你在再次运行代码时就不必编译它。见下面的示意图，Numba 使用 LLVM 编译器库。

性能比较

在性能（FPS）方面，使用C++总是更好的选择。如果你真的需要一个快速运行的计算机视觉流水线，应该直接选C++。在经典的计算机视觉应用中，性能方面无法超越Python的C++。但这并不意味着你不能在 Python 代码上提升帧率，而 Numba 就派上用场了。所以如果表现不好，我建议你：

使用C++
→经典计算机视觉的最高性能
使用OpenCV函数
→如果你想用Python并获得最高帧率
如果你需要用 Python 写自定义算法，可以用 Numba →。
千万别用纯Python，:)

现在，我来教你如何使用Numba。将有两个简单的实现和一个对比。

Numba 与纯 Python / 代码

我选择了边缘检测来做对比。这个想法很简单，如果你检查像素值之间的差异，就能找到边缘。想象一下白色墙上的一个黑色物体。黑色物体的边缘（像素值0）和白墙（像素值255）之间的差异会非常大，可以被归类为边缘。设定一个阈值，找出梯度（差异），如果超过阈值，就将其归类为边缘，并展示结果。

我们先从Numba的实现说起。Numba 提供两种不同的编译装饰工具@njit 和 @jit.njit。

基本上是把所有内容编译成本地机器码，如果有些行无法转换，就会报错。另一端更灵活，不会出错，会退回到Python解释器（注意，你可能不知道）。参数相同：

nopython=True/False：无Python模式。等价于@njit@jit(nopython=True)
parallel=True：利用多线程实现的自动并行化
fastmath=True快速数学优化
cache=True： Cahes将机器码编译到磁盘，这样下次运行时所需时间更短。

你可以为每一帧读取视频调用numba_dege_detect()函数，并显示该函数的输出，它是二进制图像。

import cv2import numpy as npfrom numba import njit@njit(fastmath=True)def numba_edge_kernel(gray):    """Fast Numba version with thresholding"""    # height and width    h, w = gray.shape    edges = np.zeros_like(gray)    # Edge detection with gradient    for i in range(1, h-1):        for j in range(1, w-1):            # computer gradient in x and y direction            gx = gray[i+1, j] - gray[i-1, j]            gy = gray[i, j+1] - gray[i, j-1]            # compute edge strength            edges[i, j] = np.sqrt(gx2 + gy2)    # Apply threshold: if edge strength > threshold, it's an edge (255), else not (0)    threshold = 15    for i in range(h):        for j in range(w):            if edges[i, j] > threshold:                edges[i, j] = 255            else:                edges[i, j] = 0    return edgesdef numba_edge_detect(frame):    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY).astype(np.float32)    # Numba needs the kernel to be compiled, first run might be slower    edges = numba_edge_kernel(gray)    return edges.astype(np.uint8)

注意：如果你设置 ，必须将标准替换 为 parallel=Truerange()prange()

现在是实现Python的时候了，这里不需要花哨的。

import cv2import numpy as npdef python_edge_detect(img):    """Python version with loops"""    # Convert to grayscale    h, w = img.shape[:2]    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY).astype(np.float32)    # Initialize edges array    edges = np.zeros_like(gray)    # Edge detection with gradient    for i in range(1, h-1):        for j in range(1, w-1):            # Compute gradient in x and y direction            gx = gray[i+1, j] - gray[i-1, j]            gy = gray[i, j+1] - gray[i, j-1]            # Compute edge strength            edges[i, j] = np.sqrt(gx2 + gy2)    # Apply threshold: if edge strength > threshold, it's an edge (255), else not (0)    threshold = 15    for i in range(h):        for j in range(w):            # Set pixel to 255 if it's an edge            if edges[i, j] > threshold:                edges[i, j] = 255            else:                edges[i, j] = 0    return edges.astype(np.uint8)