Python对象内存管理解析：两类循环场景为何内存表现迥异？

一、Python核心内存管理机制 #

Python的内存管理主要依赖三个核心机制：

• 引用计数：这是Python内存回收的基础。每个对象都维护一个引用计数器，当对象的引用被创建或复制时计数+1，引用被删除或覆盖时计数-1。当计数降至0时，对象占用的内存会被立即回收（除非对象定义了__del__方法，可能会延迟回收）。
• 分代垃圾回收：针对循环引用问题（比如两个对象互相引用，引用计数永远不为0），Python会定期扫描不同"代"的对象，识别并回收这类无法通过引用计数清理的垃圾。
• 内存池机制：Python通过内置的内存池（如Pymalloc）管理小内存块的分配与释放，减少系统调用的开销，提升内存操作效率。

二、两类场景内存表现差异的原因 #

场景1：Numpy数组循环赋值无内存溢出 #

场景1代码：

import numpy as np
while True:
    array = np.ones((10000, 10000))

每次循环中，新创建的数组会覆盖变量array的旧引用：

1. 旧数组的引用计数直接降至0，触发Python即时内存回收。
2. Numpy数组的底层内存（C层分配）会通过Python对象的生命周期管理同步释放——当Python层面的数组对象被回收时，底层C内存也会被清理。
3. 循环过程中，内存始终只保留当前一个大数组的占用，不会累积，因此不会出现内存溢出。

场景2：Mediapipe FaceMesh循环创建导致内存溢出 #

场景2代码：

import mediapipe as mp
while True:
    faceMesh = mp.solutions.face_mesh.FaceMesh(False, 3, True, 0.5, 0.5)

内存快速累积的核心原因是FaceMesh对象的底层资源未被正确回收：

1. Mediapipe组件多基于C实现，Python层的FaceMesh只是封装的代理对象。当Python层面的对象引用被覆盖时，即使其引用计数降至0，若C层的资源（如模型权重缓存、GPU显存占用、未释放的句柄等）没有通过__del__方法或其他逻辑正确释放，这些底层内存会持续占用。
2. 部分情况下，FaceMesh内部可能持有全局或静态引用，导致旧对象的引用计数无法降至0，Python垃圾回收机制无法识别并清理这些对象，内存占用持续增长。
3. 这类跨语言封装的对象，若未实现完善的资源释放逻辑，就会出现Python层面无法感知的内存泄漏，最终快速占满RAM。

内容的提问来源于stack exchange，提问作者Albert G Lieu