导入TensorFlow导致MediaPipe的process方法运行冻结问题求助

• GPU资源抢占：TensorFlow 1.x导入时会默认占用全部可用GPU显存并独占CUDA上下文，MediaPipe默认优先调用GPU执行手部关键点推理，二者抢占GPU资源时会触发死锁，导致process方法冻结无响应。
• 依赖版本冲突：TensorFlow 1.14.0固定依赖3.7.x版本的protobuf，较高版本的MediaPipe依赖更高版本的protobuf，二者共享protobuf底层序列化逻辑时会出现调用异常，引发执行阻塞。
• 全局上下文冲突：TensorFlow 1.x导入后会初始化全局计算图与默认线程池，修改全局线程调度规则，与MediaPipe内部的多线程推理流水线产生冲突，导致推理任务无法被正常调度执行。

• 调整导入初始化顺序：优先完成MediaPipe的实例初始化与预热，再导入TensorFlow相关模块。可先完成Hands实例初始化、执行一次process调用完成推理流水线预热，再执行TensorFlow导入操作，避免TF的全局初始化覆盖MediaPipe的运行上下文。
• 限制TensorFlow的GPU资源占用：导入TensorFlow后立刻配置显存分配规则，避免TF占满全部GPU资源，配置代码如下：

import tensorflow as tf
config = tf.ConfigProto()
# 开启显存动态分配
config.gpu_options.allow_growth = True
# 限制TF最多占用30%显存，可根据实际需求调整比例
config.gpu_options.per_process_gpu_memory_fraction = 0.3
# 初始化全局会话使配置生效
sess = tf.Session(config=config)

如果不需要使用GPU运行TensorFlow逻辑，可直接在导入TF前设置环境变量屏蔽GPU设备：

import os
os.environ['CUDA_VISIBLE_DEVICES'] = '-1'
import tensorflow as tf

• 强制MediaPipe使用CPU推理：初始化Hands实例时关闭GPU加速，避免与TF抢占GPU资源，适配代码如下：

hands = mp_hands.Hands(
    static_image_mode=True,
    max_num_hands=2,
    min_detection_confidence=.5,
    # 降低模型复杂度，强制走CPU推理
    model_complexity=0
)

• 降级MediaPipe到兼容版本：若为protobuf依赖冲突导致的问题，可将MediaPipe降级到0.8.6版本，该版本可兼容TensorFlow 1.14.0依赖的3.7.x版本protobuf，安装命令为pip install mediapipe==0.8.6

内容的提问来源于stack exchange，提问作者Sam Skinner