4、Python与C++混合编程基础：Python调用C++动态库、pybind11实战、性能热点分析与语言选型策略

说实话，做嵌入式AI项目做到一定阶段，你一定会遇到这个问题：Python写起来是真快，但跑起来是真慢。尤其是Jetson这种资源受限的平台，一个图像预处理循环多跑几毫秒，整个pipeline的帧率就掉下去了。

我最早做Jetson项目时，也天真地以为全用Python就够了。直到有一次，一个简单的颜色空间转换函数，Python版跑了12毫秒，我用C++重写后直接压到0.3毫秒。嗯，从那天起，我就老老实实学起了混合编程。

4.1 为什么要在Jetson上搞混合编程？

先说说我的理解。Python的优势是开发效率高，生态丰富。C++的优势是执行效率高，能直接操作硬件。在Jetson上，这两者缺一不可。

我个人习惯把代码分成三层：

  • 控制层：用Python写，负责流程调度、参数配置、结果展示
  • 计算层：用C++写，负责图像处理、矩阵运算、模型推理
  • 硬件层：用CUDA或C++直接操作，负责摄像头、GPIO、SPI等外设

说白了，Python当指挥官，C++当执行者。这样既保证了开发速度，又保证了运行效率。

核心原则：把性能热点（循环、矩阵运算、图像处理）用C++实现，把业务逻辑和胶水代码留给Python。

4.2 Python调用C++动态库的三种方式

我在项目中试过好几种方法，这里直接给你排个序：

方法 难度 性能 推荐场景
ctypes 低 中 快速原型、简单函数调用
Cython 中 高 已有C代码需要封装
pybind11 中 高 新项目、复杂C++类封装

我个人最推荐pybind11。为什么？因为它对C++11/14/17支持好，能自动处理类型转换，而且生成的绑定代码非常干净。ctypes虽然简单，但遇到结构体、回调函数时就比较痛苦了。

4.3 pybind11实战：从零开始

好，咱们直接上手。假设你有一个C++函数，做图像灰度化：

// grayscale.cpp
#include <pybind11/pybind11.h>
#include <pybind11/numpy.h>

namespace py = pybind11;

py::array_t<uint8_t> grayscale(py::array_t<uint8_t> input) {
    auto buf = input.request();
    uint8_t* ptr = (uint8_t*)buf.ptr;
    
    int height = buf.shape[0];
    int width = buf.shape[1];
    int channels = buf.shape[2];
    
    // 创建输出数组
    auto result = py::array_t<uint8_t>({height, width});
    auto res_buf = result.request();
    uint8_t* res_ptr = (uint8_t*)res_buf.ptr;
    
    // 灰度转换：加权平均法
    for(int i = 0; i < height * width; i++) {
        int idx = i * channels;
        res_ptr[i] = 0.299 * ptr[idx] + 0.587 * ptr[idx+1] + 0.114 * ptr[idx+2];
    }
    
    return result;
}

PYBIND11_MODULE(image_ops, m) {
    m.doc() = "图像处理模块";
    m.def("grayscale", &grayscale, "将RGB图像转为灰度图");
}

然后编译：

c++ -O3 -Wall -shared -std=c++11 \
    -fPIC `python3 -m pybind11 --includes` \
    grayscale.cpp -o image_ops`python3-config --extension-suffix`

在Python里调用：

import cv2
import image_ops

img = cv2.imread('test.jpg')
gray = image_ops.grayscale(img)  # 直接调用C++函数
cv2.imwrite('gray.jpg', gray)

小技巧：编译时加上 -O3 和 -march=native，能让你的C++代码在Jetson上跑得更快。我实测过，同样的代码，加优化选项后性能提升30%以上。

4.4 性能热点分析：到底该优化哪里？

你可能会问：我怎么知道哪些代码该用C++重写？

我的做法很简单——先跑一遍profiling。Python自带的cProfile就够用：

import cProfile
import pstats

def process_video():
    # 你的处理逻辑
    pass

cProfile.run('process_video()', 'profile_stats')
p = pstats.Stats('profile_stats')
p.sort_stats('cumtime').print_stats(20)  # 打印耗时最多的20个函数

看输出结果，重点关注两件事：

  • 累计耗时（cumtime）：这个函数及其子函数总共花了多少时间
  • 调用次数（ncalls）：被调用了多少次

我曾经在一个项目中，发现一个图像缩放的函数只被调用了10次，但每次耗时200毫秒。把它改成C++后，每次降到5毫秒，整个pipeline的帧率从15fps直接跳到30fps。

注意：不要盲目优化。先profiling，再动手。我见过有人花了两天优化一个只占1%耗时的函数，结果毫无意义。记住二八定律——20%的代码消耗了80%的时间。

4.5 语言选型策略：什么时候用Python，什么时候用C++？

这个问题没有标准答案，但我总结了一套自己的判断标准：

场景 推荐语言 理由
模型推理（TensorRT/ONNX） Python 已有Python API，开发快
图像预处理（resize/color convert） C++ 像素级操作，Python太慢
串口/GPIO通信 C++ 需要精确时序控制
配置文件解析 Python json/yaml库丰富
复杂业务逻辑 Python 迭代快，调试方便
实时控制循环（<1ms周期） C++ Python的GIL是硬伤

说白了，我的策略就是：能用Python就用Python，遇到性能瓶颈再切C++。别一开始就想着全用C++写，那样开发周期会拉得很长。

4.6 避坑指南

最后分享几个我踩过的坑：

  • 内存管理：Python和C++各自管理自己的内存。如果你在C++里new了一个对象，记得在Python里显式释放，否则会内存泄漏。我建议用pybind11的智能指针自动管理。
  • 类型转换：Python的int和C++的int可能不一样大。在Jetson上，Python的int是无限精度，C++的int是32位。传大数时要注意溢出。
  • 多线程：Python有GIL，C++没有。如果你的C++函数里开了多线程，记得在调用前释放GIL。pybind11提供了py::gil_scoped_release()，很好用。
  • 调试：混合编程的调试比较麻烦。我一般先在纯C++环境里把函数调通，再封装成Python接口。这样出了问题，能快速定位是C++的问题还是绑定的问题。

嗯，以上就是我对Python与C++混合编程的一些实战经验。记住，混合编程不是炫技，而是为了解决实际问题。在Jetson这种资源受限的平台上，合理的语言选型往往能起到事半功倍的效果。

← 上一章 📖 返回目录 下一章 →