Python显卡信息查询与画面捕获全攻略

在深度学习、游戏开发及高性能计算领域，显卡（GPU）的性能直接影响程序运行效率。本文将系统介绍如何通过Python查询显卡信息（型号、显存、温度等）及捕获显卡输出画面，为开发者提供从硬件监控到画面处理的完整解决方案。

一、Python查询显卡信息

1.1 基础信息查询：PyGPUInfo与pynvml

PyGPUInfo是一个轻量级库，可快速获取显卡型号、显存占用等基本信息。安装后仅需3行代码即可输出核心参数：

from pygpuinfo import gpu_info
gpus = gpu_info.get_gpus()
for gpu in gpus:
    print(f"型号: {gpu.name}, 显存: {gpu.memory_total}MB, 当前占用: {gpu.memory_used}MB")

对于NVIDIA显卡，NVIDIA Management Library (NVML)提供更底层的数据访问。通过pynvml库（NVML的Python封装），可获取温度、功耗等高级参数：

from pynvml import *
nvmlInit()
handle = nvmlDeviceGetHandleByIndex(0)  # 获取第一个GPU的句柄
info = nvmlDeviceGetMemoryInfo(handle)
temp = nvmlDeviceGetTemperature(handle, NVML_TEMPERATURE_GPU)
print(f"显存使用: {info.used//(1024**2)}MB/{info.total//(1024**2)}MB, 温度: {temp}℃")
nvmlShutdown()

1.2 跨平台方案：GPUtil与WMI

在Windows/Linux混合环境中，GPUtil可自动适配系统并返回显卡列表。结合wmi（仅Windows）可获取驱动版本等细节：

import GPUtil
gpus = GPUtil.getGPUs()
for gpu in gpus:
    print(f"ID: {gpu.id}, 名称: {gpu.name}, 温度: {gpu.temperature}℃")
# Windows专用：获取驱动版本
import wmi
c = wmi.WMI()
for gpu in c.Win32_VideoController():
    print(f"驱动版本: {gpu.DriverVersion}")

1.3 深度学习框架集成

TensorFlow/PyTorch内置了GPU信息查询功能。例如在TensorFlow中：

import tensorflow as tf
gpus = tf.config.list_physical_devices('GPU')
for gpu in gpus:
    details = tf.config.experimental.get_device_details(gpu)
    print(f"设备名称: {details['device_name']}, 计算能力: {details['capability']}")

二、Python获取显卡画面

2.1 屏幕捕获方案：PyGetWindow与PIL

若需捕获整个显示器画面（由显卡输出），可通过PyGetWindow定位活动窗口，结合Pillow截图：

import pygetwindow as gw
from PIL import ImageGrab
# 获取活动窗口（如游戏窗口）
active_win = gw.getActiveWindow()
if active_win:
    # 捕获窗口区域（需处理多显示器坐标）
    bbox = (active_win.left, active_win.top, active_win.right, active_win.bottom)
    img = ImageGrab.grab(bbox)
    img.save("screenshot.png")

2.2 DirectX/OpenGL画面捕获

对于3D应用，需通过底层API捕获渲染画面。PyOpenGL可访问OpenGL上下文，但实现复杂。更推荐使用专用库：

• MSS（Multiple Screen Shots）：跨平台屏幕录制

  import mss
  with mss.mss() as sct:
    monitor = sct.monitors[1]  # 主显示器
    sct.shot(mon=monitor, output="fullscreen.png")

• D3DShot（仅Windows）：DirectX画面捕获

  from d3dshot import D3DShot
  d = D3DShot()
  d.capture(region=(0, 0, 1920, 1080)).save("game_frame.png")

  2.3 深度学习应用：实时画面流处理

  在计算机视觉任务中，常需将显卡输出画面作为输入流。可通过OpenCV与屏幕捕获结合实现：
  ```python
  import cv2
  import numpy as np
  import mss

with mss.mss() as sct:
monitor = {“top”: 0, “left”: 0, “width”: 1920, “height”: 1080}
while True:
img = sct.grab(monitor)

    # 转换为numpy数组（BGRA格式）
    frame = np.array(img)
    # 转换BGRA到BGR（OpenCV标准格式）
    frame = cv2.cvtColor(frame, cv2.COLOR_BGRA2BGR)
    cv2.imshow("Stream", frame)
    if cv2.waitKey(1) == ord("q"):
        break

## 三、性能优化与注意事项
### 3.1 资源占用控制
频繁查询显卡信息或捕获画面可能导致性能下降。建议：
- 降低查询频率（如每秒1次）
- 使用多线程分离监控与主程序
- 对高分辨率画面进行降采样处理
### 3.2 权限与兼容性
- **Linux**：需安装`nvidia-smi`（NVML依赖）及`scrot`（截图工具）
- **Windows**：管理员权限可能要求
- **macOS**：屏幕捕获需通过`CGWindowList`API实现
### 3.3 错误处理
捕获异常场景（如无GPU、驱动未安装）：
```python
try:
    from pynvml import *
    nvmlInit()
except NVMLError as e:
    print(f"NVML初始化失败: {e}. 请检查NVIDIA驱动.")

四、应用场景示例

4.1 深度学习训练监控

结合显卡信息查询与画面捕获，可实现训练过程可视化：

import time
from pynvml import *
import mss
nvmlInit()
handle = nvmlDeviceGetHandleByIndex(0)
with mss.mss() as sct:
    monitor = {"top": 0, "left": 0, "width": 800, "height": 600}
    while True:
        # 获取GPU状态
        mem = nvmlDeviceGetMemoryInfo(handle)
        util = nvmlDeviceGetUtilizationRates(handle)
        print(f"显存使用: {mem.used//(1024**2)}MB, GPU利用率: {util.gpu}%")
        # 捕获控制台画面（示例）
        img = sct.grab(monitor)
        # 此处可添加图像分析逻辑
        time.sleep(1)

4.2 游戏自动化测试

通过画面捕获与OCR识别实现自动化测试：

from PIL import Image
import pytesseract
import mss
with mss.mss() as sct:
    monitor = {"top": 500, "left": 800, "width": 200, "height": 50}  # 假设HUD区域
    img = sct.grab(monitor)
    text = pytesseract.image_to_string(Image.frombytes("RGB", img.size, img.rgb))
    print("识别到的文本:", text)

五、总结与扩展

本文介绍了Python查询显卡信息及获取画面的完整方案，涵盖从基础监控到高级画面处理的多种场景。开发者可根据需求选择合适工具：

• 快速监控：PyGPUInfo + GPUtil
• 深度分析：pynvml + TensorFlow集成
• 画面捕获：MSS（通用）或D3DShot（游戏专用）

未来可探索的方向包括：

• 使用CUDA加速画面处理
• 实现多GPU并行监控
• 开发基于Web的显卡监控面板

通过合理组合这些技术，开发者能够构建高效的硬件监控系统，为深度学习训练、游戏开发等场景提供有力支持。