1. 单线程

现在有1154张图片需要顺时针旋转后保存到本地，一般使用循环1154次处理，具体代码如下所示，img_paths中存储1154个图片路径，该代码段耗时约用97ms。

t1=time.time()
for imgpath in img_paths:img=cv2.imread(imgpath,0)img=cv2.rotate(img,cv2.ROTATE_90_CLOCKWISE)info=imgpath.split("/")parent,filename=info[-2],info[-1]filename=parent+"_"+filename.split(".")[0].zfill(5)+".jpg"dst_save_path=os.path.dirname(imgpath).replace(f"{sub}","result/")+filenamecv2.imwrite(dst_save_path,img)
t2=time.time()
print(t2-t1)

可以看到CPU运行状态，只有一个在运行：

2. 线程池ThreadPoolExecutor

对于这种没有数据交换的任务，可以使用多线程。python中有很多多线程、多进程的库，这里试试线程池ThreadPoolExecutor。
这个库核心有两个：

• with ThreadPoolExecutor(max_workers=batch_size) as executor：创建一个上下文管理的执行器，并制定线程池中线程个数；
• executor.map(process_image, batch)：process_image是执行的函数，接受一个路径，batch是储存多个路径的列表，大小等于小于执行器的max_workers。这个方法会为batch中的每个图像路径启动一个线程（最多同时运行max_workers数量的线程），并在每个线程中调用之前定义的process_image函数处理对应的图像。map方法会等待所有线程完成后再继续下一轮循环，确保每个批次内的图像处理是并行且同步完成的。

下方的代码耗时约37ms

import cv2
import os
from concurrent.futures import ThreadPoolExecutordef process_image(imgpath):# 读取并旋转图像img = cv2.imread(imgpath, 0)img = cv2.rotate(img, cv2.ROTATE_90_CLOCKWISE)# 分割路径以获取父目录和文件名info = imgpath.split("/")parent, filename = info[-2], info[-1]# 重命名文件base_name = filename.split(".")[0]new_filename = f"{parent}_{base_name.zfill(5)}.jpg"# 构建保存路径dst_save_path = os.path.dirname(imgpath).replace("sub", "result/") + new_filename# 保存处理后的图像cv2.imwrite(dst_save_path, img)def batch_process_images(img_paths, batch_size=15):with ThreadPoolExecutor(max_workers=batch_size) as executor:for i in range(0, len(img_paths), batch_size):# 每次处理batch_size个图像路径batch = img_paths[i:i+batch_size]executor.map(process_image, batch)# 假设img_paths是包含所有图像路径的列表
img_paths = [...]  # 这里填充实际的图像路径列表
batch_process_images(img_paths)

可以看到，15个cpu都被调用起来了