树莓派多进程运行TensorFlow遇阻塞，求可行解决方案

问题背景 #

在树莓派上开发TensorFlow Lite目标检测项目时，将TensorFlow相关代码封装到独立类（主脚本外）并结合多进程运行时，程序会在TensorFlow方法调用处阻塞，无任何报错；但将所有逻辑放在主脚本的进程函数内时可正常运行。需要保留当前项目结构与多进程机制。

问题根源 #

1. TensorFlow Lite对象无法跨进程共享：ObjectDetector实例基于C++后端实现，无法在多进程间安全序列化/共享，子进程直接访问主进程创建的检测器会导致资源竞争或死锁。
2. 相机实例跨进程访问冲突：Picamera2实例同样不能跨进程共享，子进程直接调用主进程初始化的相机资源会引发底层资源访问冲突。

解决办法 #

核心思路：让每个子进程独立初始化自己的TensorFlow检测器与相机资源，避免跨进程共享不可序列化的硬件/AI模型资源。

修改后的代码实现 #

detector.py

from tflite_support.task import core
from tflite_support.task import processor
from tflite_support.task import vision
from multiprocessing import Process
import cv2
from picamera2 import Picamera2
from tflite_support.task import utils

class Detector:
    def __init__(self):
        # 主进程仅初始化进程对象，不创建硬件/AI资源
        self._sub_process = None

    def start_camera_feed(self):
        # 启动子进程执行检测逻辑
        self._sub_process = Process(target=self._init_and_run)
        self._sub_process.start()

    def _init_and_run(self):
        # 子进程内部独立初始化所有资源
        dispW = int(1280 / 2)
        dispH = int(720 / 2)

        # 初始化相机
        picam2 = Picamera2()
        picam2.preview_configuration.main.size = (dispW, dispH)
        picam2.preview_configuration.main.format = 'RGB888'
        picam2.preview_configuration.align()
        picam2.configure("preview")
        picam2.start()

        # 初始化TensorFlow Lite检测器
        model = "efficientdet_lite0.tflite"
        numThreads = 4
        base_options = core.BaseOptions(file_name=model, use_coral=False, num_threads=numThreads)
        detection_options = processor.DetectionOptions(max_results=3, score_threshold=0.5)
        options = vision.ObjectDetectorOptions(base_options=base_options, detection_options=detection_options)
        detector = vision.ObjectDetector.create_from_options(options)

        # 启动检测循环
        self._detection_loop(picam2, detector)

    def _detection_loop(self, picam2, detector):
        iterator = 0
        while True:
            # 获取相机帧
            im = picam2.capture_array()
            im = cv2.flip(im, -1)

            # 图像格式转换与检测
            im_rgb = cv2.cvtColor(im, cv2.COLOR_BGR2RGB)
            im_tensor = vision.TensorImage.create_from_array(im_rgb)
            detections = detector.detect(im_tensor)
            annotated_image = utils.visualize(im, detections)

            # 显示结果
            cv2.imshow('Camera', annotated_image)
            if cv2.waitKey(1) == ord('q'):
                break

            iterator += 1
            if iterator == 100:
                break

        # 释放资源
        cv2.destroyAllWindows()
        picam2.stop()

main.py

from detector import Detector

detector = Detector()
detector.start_camera_feed()

额外注意事项 #

• 进程资源释放：子进程退出时必须手动停止相机、销毁OpenCV窗口，避免树莓派硬件资源泄漏。
• 进程间通信（可选）：如果需要将检测结果传递到主进程，可使用multiprocessing.Queue，传递的数据需为可序列化格式（如字典、列表），不能直接传递TensorFlow或相机相关对象。
• 树莓派环境优化：确保TensorFlow Lite已针对ARM架构优化，可通过pip install tflite-support[rpi]安装适配版本，提升检测性能。

内容的提问来源于stack exchange，提问作者Siggerud