测试Yolo-v3遇InvalidArgumentError：GPU设备分配失败求助

从你遇到的错误信息来看，核心问题很明确：TensorFlow被要求在/device:GPU:0上执行操作，但它根本检测不到可用的GPU设备，只能 fallback 到CPU运行。咱们一步步排查可能的原因，先从最基础的环境配置开始：

1. 先验证TensorFlow是否真的能识别GPU #

先别着急跑YOLO训练，先在Python环境里执行这段代码，直接确认TensorFlow对GPU的检测情况：

import tensorflow as tf
# TensorFlow 1.x的GPU检测命令
print(tf.test.is_gpu_available())
print(tf.test.gpu_device_name())

如果输出是False或者空字符串，那说明TensorFlow-GPU完全没识别到GPU，问题和YOLO代码无关，百分百出在GPU环境配置上。

2. 检查版本匹配性（最常见的坑） #

TensorFlow 1.15对CUDA、cuDNN的版本有严格要求，版本不对的话，哪怕装了tensorflow-gpu，也会自动用CPU运行：

• 必须搭配CUDA 10.0（注意：1.15不支持CUDA 10.1及以上版本，别图新装高版本）
• 对应cuDNN版本是7.6.x（比如7.6.5）
  你可以先查看自己的CUDA版本（终端输入nvcc -V），以及cuDNN的版本，确认是否符合要求。

3. 检查NVIDIA驱动版本 #

CUDA 10.0需要的NVIDIA驱动版本至少是410.48，如果你的驱动版本低于这个数值，也会导致GPU无法被识别。终端输入nvidia-smi就能看到当前驱动版本，要是不够的话，得升级到对应版本（注意别升太新，和CUDA 10.0兼容就行）。

4. 确认环境变量配置正确 #

CUDA和cuDNN的路径必须正确添加到系统环境变量里，否则TensorFlow找不到相关库：

• Windows：把CUDA_PATH\bin、CUDA_PATH\libnvvp，以及cuDNN解压后的bin、lib\x64路径加到系统Path变量中
• Linux：在~/.bashrc里添加以下内容，然后执行source ~/.bashrc生效：

  export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
  export PATH=/usr/local/cuda/bin:$PATH
  

5. 代码层面的小排查（如果前面都没问题） #

要是前面的验证都显示GPU可用，但训练时还是报错，那可以看看YOLO代码的设备指定逻辑：

• 检查config.json里有没有强制指定GPU编号的配置，或者train.py里有没有手动写tf.device('/device:GPU:0')的代码——如果你的GPU实际编号不是0（比如多GPU环境），就会出现这个错误。
• 可以尝试在train.py开头添加这段代码，让TensorFlow自动选择可用GPU：

  import tensorflow as tf
  config = tf.ConfigProto()
  config.gpu_options.allow_growth = True  # 按需分配GPU显存，避免占满
  sess = tf.Session(config=config)
  

总结 #

从你的报错来看，大概率是TensorFlow-GPU的环境配置出了问题，导致它没识别到GPU。优先按上面的顺序排查，先通过GPU检测代码确认问题根源，再针对性解决版本、驱动或环境变量的问题。

内容的提问来源于stack exchange，提问作者jwm