使用这种方法，可能没有太多的事情可以加快图像读取速度。我以为Matplotlib可能会更快，因为它直接以浮点数和RGB顺序读取，但是即使转换类型和通道顺序后，它也比OpenCV慢三倍。PIL比Matplotlib快一点，但仍然是OpenCV的两倍，因此无济于事，并且scikit- image的速度与PIL大致相同：
import matplotlib.image as mpimg
import cv2
import numpy as np
from skimage import io
from PIL import Image
import timeit
times = range(1000)
# matplotlib
start_time = timeit.default_timer()
for t in times:
img = mpimg.imread('img1.png')
print("mpimg.imread(): ", timeit.default_timer() - start_time, "s")
# OpenCV
start_time = timeit.default_timer()
for t in times:
img = cv2.cvtColor(
cv2.imread('img1.png'), cv2.COLOR_BGR2RGB).astype(np.float32)/255.0
print("cv2.imread(): ", timeit.default_timer() - start_time, "s")
# scikit-image
start_time = timeit.default_timer()
for t in times:
img = io.imread('img1.png').astype(np.float32)/255.0
print("io.imread(): ", timeit.default_timer() - start_time, "s")
# PIL
start_time = timeit.default_timer()
for t in times:
img = np.asarray(Image.open('img1.png')).astype(np.float32)/255.0
print("Image.open(): ", timeit.default_timer() - start_time, "s")
mpimg.imread（）：37.68960806101677 s cv2.imread（）：13.830177563999314 s io.imread（）：29.395271296001738 s Image.open（）：26.633562815986807 s
相反，最好通过读取所有图像并将其保存为更好的格式以进行读取（即直接从字节读取）进行预处理，而不是使用图像读取器。您可以将图像序列化（刺入）到.p或.pickle文件中，然后将数据直接加载到列表中。这样，您只需要一次执行一次缓慢加载即可。正如DanMa?ek在下面的注释中指出的那样，对文件进行腌制意味着将其解压缩为原始数据，因此文件大小 将 大得多。您可以使用正确的类型和频道顺序创建与现在相同的列表（缓冲区），然后对列表进行腌制；培训时间到了，您可以加载泡菜文件；它的 方式 更快，超级简单：
with open(training_file, mode='rb') as f:
training_data = pickle.load(f)
602392714
清零编程群