训练视觉相关的神经网络模型时，总是要用到图像的读写。方法有很多，比如matplotlib、cv2、PIL等。下面比较几种读写方式，旨在选出一个最快的方式，提升训练速度。

实验标准

　　因为训练使用的框架是Pytorch，因此读取的实验标准如下：

　　1、读取分辨率都为1920×1080的5张图片（png格式一张，jpg格式四张）并保存到数组。

　　2、将读取的数组转换为维度顺序为CxHxW的Pytorch张量，并保存到显存中（我使用GPU训练），其中三个通道的顺序为RGB。

　　3、记录各个方法在以上操作中所耗费的时间。因为png格式的图片大小差不多是质量有微小差异的jpg格式的10倍，所以数据集通常不会用png来保存，就不比较这两种格式的读取时间差异了。

　　写入的实验标准如下：

　　1、将5张1920×1080的5张图像对应的Pytorch张量转换为对应方法可使用的数据类型数组。

　　2、以jpg格式保存五张图片。

　　3、记录各个方法保存图片所耗费的时间。

实验情况

cv2

　　因为有GPU，所以cv2读取图片有两种方式：

　　1、先把图片都读取为一个numpy数组，再转换成保存在GPU中的pytorch张量。

　　2、初始化一个保存在GPU中的pytorch张量，然后将每张图直接复制进这个张量中。

　　第一种方式实验代码如下：

import os, torch
import cv2 as cv 
import numpy as np 
from time import time 
 
read_path = ‘D:test‘
write_path = ‘D:testwrite‘
 
# cv2读取 1
start_t = time()
imgs = np.zeros([5, 1080, 1920, 3])
for img, i in zip(os.listdir(read_path), range(5)): 
  img = cv.imread(filename=os.path.join(read_path, img))
  imgs[i] = img   
imgs = torch.tensor(imgs).to(‘cuda‘)[...,[2,1,0]].permute([0,3,1,2])/255 
print(‘cv2 读取时间1：‘, time() - start_t) 
# cv2保存
start_t = time()
imgs = (imgs.permute([0,2,3,1])[...,[2,1,0]]*255).cpu().numpy()
for i in range(imgs.shape[0]): 
  cv.imwrite(write_path + str(i) + ‘.jpg‘, imgs[i])
print(‘cv2 保存时间：‘, time() - start_t)