ผลสรุปเวลาการทำงานของระบบรุ่นต้นแบบและรุ่นปรับปรุงโดยใช้ time.clock

โดยผลทดสอบนี้จะทำการเก็บค่าเวลาของ time.clock() ตั้งแต่เริ่มต้นการทำงานตั้งแต่การทำ Image Processing จนเสร็จสิ้นการแปลงท่าทางที่ได้เป็นคำสั่ง โดยทำการแบ่งข้อมูลออกเป็น 2 ชุด คือ ข้อมูลที่ได้จากโปรแกรมรุ่นต้นแบบ และ ข้อมูลที่ได้จากโปรแกรมที่ทำการปรับปรุงโดยใช้ Multiprocessing และ Pipeline Program เข้ามาเสริมการทำงาน โดยข้อมูลทั้ง 2 ชุดนั้นจะเก็บเวลาการทำงานจาก time.clock() ไว้ทั้ง 400 จุด และนำมาทำการหาค่าเฉลี่ยเพื่อตรวจอสอบว่าการปรับปรุงส่งผลให้ประสิทธิภาพนั้นเร็วขึ้นหรือไม่

โดยผลทดสอบที่ได้คือ

Mean clock time not use pipeline : 0.0078674975
Mean clock time using pipeline : 0.00783607

จะพบว่าเวลาของทั้ง 2 วิธีนั้นใกล้เคียงกันมาก ซึ่งจากผลที่ได้สามารถสรุปในเชิงเบื้องต้นได้ว่าการปรับปรุงระบบโดยใช้ Multiprocessing และ Pipeline Program เข้ามาเสริมการทำงานนั้นยังส่งผลได้ไม่ดีเท่าที่ควร

โค้ดที่ใช้สำหรับทดสอบ

import csv

dataset = 400

with open('clocK time delay.csv') as csvfile:
     readCSV = csv.reader(csvfile, delimiter=',')

     clock_delay = []
     for row in readCSV: # print(row[4])
          clock_delay.append(float(row[4]))

     delay_sum = 0
     for i in range(dataset):
          delay_sum += clock_delay[i]
          print("Mean clock time not use pipeline : %s" % (delay_sum/dataset))

with open('clock time pipeline.csv') as csvfile:
     readCSV = csv.reader(csvfile, delimiter=',')

     clock_pipeline = []
     for row in readCSV:
          clock_pipeline.append(float(row[1]))

     pipeline_sum = 0
     for i in range(dataset):
          pipeline_sum += clock_pipeline[i]
          print("Mean clock time using pipeline : %s" % (pipeline_sum/dataset))