CUDA Median Filter filtr medianowy wykorzystujący bibliotekę CUDA sprawozdanie z projektu

Transkrypt

1 CUDA Median Filter filtr medianowy wykorzystujący bibliotekę CUDA sprawozdanie z projektu inż. Daniel Solarz Wydział Fizyki i Informatyki Stosowanej AGH 1. Cel projektu. Celem projektu było napisanie wtyczki dla programu ImageJ wykonującą filtr medianowy z wykorzystaniem pakietu CUDA firmy Nvidia. Miało to na celu przyspieszenie wykonywania operacji, które dla dużych zestawów danych są czasochłonne i zabierają znaczne zasoby. Dodatkowo dla porównania napisano wtyczkę dla filtru medianowego działającą bez pakietu CUDA. 2. Opis projektu Projekt został wykonany przy użyciu bibliotek JCuda i środowiska programistycznego Eclipse. Do działania wymaga zainstalowanego pakietu CUDA (najlepiej w wersji 7.0) oraz kompilatora języka C/C++ (dla systemu Windows jest to kompilator VC - cl.exe - zawarty w środowisku Visual Studio). Algorytm działania zastosowanego filtru medianowego jest następujący: przechodzimy po całym obrazie; jeżeli trafimy na brzeg to pomijamy obliczenia; jeżeli nie to pobieramy otoczenie badanego piksela o rozmiarze 3 na 3 piksele. Następnie piksele z otoczenia są sortowane algorytmem sortowania bąbelkowego, a wartość środkowa - mediana - jest umieszczana jako wartość badanego piksela. W algorytmie wykorzystującym platformę CUDA tworzony jest blok wątków, a jądro uruchamia grid składający się z pewnej ilości bloków. Adres poszczególnych bloków jest dwuwymiarowy. Jądro CUDY jest wykonywane przez wektor wątków, które wykonują ten sam kod - w filtrze medianowym każdy wątek oblicza wartość dla jednego piksela. Każdy wątek jest wykonywany niezależnie w dowolnej kolejności wygodnej dla karty graficznej. Po wykonaniu obliczeń wyniki zwracane są do tablicy wynikowych pikseli. Mechanizm JCuda pozwala na odczytanie pliku zawierającego kernel CUDY, skompilowanie go oraz wykonanie funkcji, która alokuje pamięć na karcie graficznej, ustala rozmiar bloków i gridu, wywołuje kernel z zadanymi parametrami a na końcu kopiuje wyniki do pamięci komputera i zwalnia pamięć. Przy uruchamianiu wtyczki ważne jest, że przy jej każdym nowym uruchomieniu ImageJ kernel zostaje skompilowany, co powoduje niską wydajność obliczeń - do czasu wykonania wlicza się wtedy również czas kompilacji. Dla wiarygodnych wyników należy uruchomić wtyczkę testowo dla małego obrazka, by skompilować kernel, a później pracować korzystając z już skompilowanego jądra. Po ponownym

2 uruchomieniu ImageJ czynność należy powtórzyć - jądra nie są nigdzie przechowywane i trzeba je za każdym uruchomieniem budować od nowa. 3. Testowanie Do przetestowania działania obydwu wtyczek oraz wbudowanego filtra zastosowanego w programie ImageJ wybrałem pięć obrazów: Obraz 1: Zaszumione zdjęcie komórek - 283x280 pikseli. Obraz 2: Silnie zaszumione zdjęcie tygrysa - 384x256 pikseli.

3 Obraz 3: Zaszumione zdjęcie twarzy - 256x256 pikseli. Obraz 4: Zaszumione zdjęcie w rozdzielczości 4K x2160 pikseli. Obraz 5: Zaszumione zdjęcie w rozdzielczości 8K x4320 pikseli.

4 Napisane wtyczki zostały przetestowane na następujących konfiguracjach sprzętowych: Tabela 1: Konfiguracja pierwsza. Procesor Intel Core i5-2410m (4 x 2.30 GHz) Karta graficzna Nvidia GeForce GT 525M (1024 MB DDR3) Pamięć 6 GB DDR SDRAM Wersja sterowników graficznych Wersja pakietu CUDA Uzyskane wyniki dla pierwszej konfiguracji prezentują się następująco: Tabela 2: Wyniki dla pierwszej konfiguracji sprzętowej. Obraz Rodzaj filtra Czas wykonania [s] Szybkość przetwarzania [miliony pikseli/s] wbudowany 0,065 1,2 zwykły (pierw. ) 0,063 1,3 komórki zwykły 0,047 1,7 CUDA (pierw.) 0,281 0, CUDA 0,015 5,3 wbudowany 0,039 2,5 zwykły (pierw. ) 0,047 2,1 tygrys zwykły 0,032 3,1 CUDA (pierw.) 0,203 0, CUDA 0,016 6,1 wbudowany 0,037 1,8 zwykły (pierw. ) 0,047 1,4 twarz zwykły 0,031 2,1 CUDA (pierw.) 0,262 0, CUDA 0,016 4,1 wbudowany 1,002 8,3 zwykły (pierw. ) 2,215 3,7 4K zwykły 1,810 4,6 CUDA (pierw.) 0,803 10,3 CUDA 0,343 24,2 wbudowany 2,942 11,3 zwykły (pierw. ) 8,502 3,9 8K zwykły 7,956 4,2 CUDA (pierw.) 1,455 22,8 CUDA 1,045 31,7 Wzrost wydajności dla algorytmu opartego na technologii CUDA jest widoczny. W najgorszym wypadku jest on dwa razy szybszy niż algorytm tradycyjny. Lepsze wyniki są obserwowane dla dużego obrazu 4K - tam przyspieszenie jest ponad pięciokrotnie większe. Dla obrazu 8K przyspieszenie jest

5 ponad 7,5 krotnie wyższe. Można wywnioskować, że im większy obraz, tym lepsze wyniki są uzyskiwane. Zwraca uwagę fakt, że filtr wbudowany w program działa gorzej na małych obrazkach, a lepiej na dużych w porównaniu z klasycznym filtrem medianowym z sortowaniem bąbelkowym. Przy pierwszym uruchomieniu obydwu wtyczek widoczne jest ich spowolnione działanie. W wypadku filtru klasycznego ma to zapewne związek z systemem ładowania rozszerzeń programu ImageJ i nie jest ono bardzo uciążliwe - różnice są niewielkie i niezauważalne dla zwykłego użytkownika. Natomiast filtr oparty na CUDZIE jest znacznie spowolniony - ma to związek z koniecznością kompilacji kernela, co jest czasochłonne. Różnice są znaczne dla małych obrazków, natomiast zmniejszają się wraz z przetwarzaniem coraz większych zdjęć. Tabela 3: Konfiguracja druga. Procesor AMD FX-6100 (6 x 3.3 GHz) Karta graficzna Nvidia GeForce GTX 660 (2048 MB GDDR 5) Pamięć 16 GB DDR SDRAM Wersja sterowników graficznych Wersja pakietu CUDA Uzyskane wyniki dla drugiej konfiguracji prezentują się następująco:

6 Tabela 4: Wyniki dla drugiej konfiguracji sprzętowej. Obraz Rodzaj filtra Czas wykonania [s] Szybkość przetwarzania [miliony pikseli/s] wbudowany 0,065 1,2 zwykły (pierw. ) 0,037 2,1 komórki zwykły 0,024 3,3 CUDA (pierw.) 0,170 0, CUDA 0,003 26,4 wbudowany 0,028 3,5 zwykły (pierw. ) 0,041 2,4 tygrys zwykły 0,013 7,6 CUDA (pierw.) 0,104 0, CUDA 0,003 32,8 wbudowany 0,028 2,3 zwykły (pierw. ) 0,038 1,7 twarz zwykły 0,020 3,3 CUDA (pierw.) 0,071 0, CUDA 0,003 21,8 wbudowany 0,623 13,3 zwykły (pierw. ) 1,583 5,2 4K zwykły 1,543 5,4 CUDA (pierw.) 0,495 16,8 CUDA 0,261 31,8 wbudowany 2,188 15,2 zwykły (pierw. ) 7,700 4,3 8K zwykły 7,450 4,5 CUDA (pierw.) 0,967 34,3 CUDA 0,366 90,6 Wyraźnie widać, że przyspieszenie względem tradycyjnego algorytmu jest znaczne. Czas wykonania dla CUDY w najgorszym wypadku był ponad czterokrotnie szybszy od tradycyjnego algorytmu, co jest dwukrotnie lepszym wynikiem niż dla poprzedniej konfiguracji. Podobnie jak poprzednio, lepsze rezultaty dało się zaobserwować dla dużych obrazów. Dla obrazu w rozdzielczości 8K algorytm wykorzystujący CUDA wykonywał się ponad dwadzieścia razy szybciej zarówno czasowo, jak i pod względem liczby przetwarzanych pikseli na sekundę. Podobnie jak poprzednio, filtr wbudowany działał wolniej od swojego odpowiednika dla małych obrazów, ale szybciej dla dużych. Również podobnie jak poprzednio dało się zaobserwować spowolnienie podczas pierwszego uruchamiania wtyczek. Dla filtru opartego na CUDZIE analogicznie jak w poprzedniej konfiguracji różnica malała wraz ze wzrostem wymiarów przetwarzanego obrazu.

7 Dla dużych obrazów i jednego z mniejszych dla danych z drugiej konfiguracji wykonano wykres. Wykres 1: Czasy wykonania dla wybranych obrazów dla drugiej konfiguracji sprzętowej twarz 4K 8K CUDA wbudowany zwykły Na wykresie wyraźnie widać, jak znaczny jest przyrost wydajności przy wykorzystaniu pakietu CUDA. O ile dla małych obrazów różnica jest dla zwykłego użytkownika niemal niezauważalna, o tyle dla dużych obrazów wydajność jest znacznie lepsza. 4. Podsumowanie Wykonane testy pokazały, że wykonywanie obliczeń na karcie graficznej jest znacznie szybsze od tradycyjnych obliczeń wykonywanych na procesorze. Różnica była tym większa, im większy obraz był przetwarzany. Biblioteki JCuda pozwoliły na połączenie wydajnych obliczeń na karcie graficznej z popularnym obiektowym językiem Java. Daje to duże możliwości dla programu ImageJ, którego filtry mogą osiągnąć bardzo wysoką wydajność.

8 5. Bibliografia W moim projekcie korzystałem z następujących materiałów: 2D median filtering in CUDA: how to efficiently copy global memory to shared memory 2D CUDA median filter optimization How to create an ImageJ Plugin using JCuda Cuda Image average filter Obliczenia na GPU w technologii CUDA Programowanie GPU: Kurs CUDA - Wprowadzenie