Darknet YOLOv4 Python环境下detect_image函数内存泄漏问题咨询

第一步：定位泄漏类型 #

• 区分CPU内存泄漏还是CUDA显存泄漏：
  • CPU内存占用通过htop命令监控进程的RES字段变化
  • CUDA显存占用通过watch -n 1 nvidia-smi命令监控对应进程的显存使用
• 做最小复现测试：注释掉循环内所有业务逻辑，仅保留detect_image调用和空帧输入，确认泄漏来自该函数本身，排除业务代码的内存问题
• 可借助gc模块验证Python层对象泄漏：每次循环后调用gc.collect()，如果内存上涨速度明显放缓，说明存在Python层未被回收的对象，可搭配objgraph工具统计未释放对象类型

常见泄漏原因与修复方案 #

1. 检测返回的darknet图片对象未手动释放 #

darknet底层为C语言实现，分配的图片内存不受Python GC管理，detect_image返回的检测后图片如果不主动释放会持续堆积

• 修复方法：每次调用detect_image处理完成后，手动调用释放接口：

import darknet

detections, detected_img = darknet.detect_image(network, class_names, input_img, thresh=0.5)
# 此处执行你的检测结果处理逻辑
# 处理完成后手动释放图片内存
darknet.free_image(detected_img)

2. OpenCV帧对象未正确回收 #

• 循环中通过cv2.imread、cv2.VideoCapture读取的帧属于OpenCV Mat对象，高分辨率场景下如果不主动释放会快速堆积内存
• 修复方法：每次处理完的帧主动删除触发回收：

ret, frame = cap.read()
if not ret:
    break
# 帧预处理、检测逻辑
del frame

3. CUDA显存碎片累积 #

CUDA 10.2版本本身存在显存碎片回收不及时的问题，darknet检测时分配的临时显存如果不同步上下文会持续累积

• 修复方法：
  • 每次检测完成后同步CUDA上下文：

  import pycuda.driver as cuda
  # detect_image调用完成后添加同步逻辑
  cuda.Context.synchronize()
  

  • 每运行100~1000次检测后手动清理显存缓存：

  import torch
  torch.cuda.empty_cache()
  

4. darknet.py原生代码缺陷 #

• 部分公开版本的darknet.py中detect_image函数内部创建的临时图片对象未做释放处理，可自行修改源码：找到函数内部通过darknet.make_image创建的临时im对象，在函数return之前添加darknet.free_image(im)即可。

内容的提问来源于stack exchange，提问作者Philipp