使用tensorpack调用LMDBSerializer出现无法导入lmdb的AttributeError如何解决

AttributeError: Cannot import 'lmdb', therefore 'LMDBSerializer' is not available

报错产生原因 #

• Python环境不匹配：你安装lmdb的环境和实际运行代码的环境不是同一个，常见于多Python版本、虚拟环境/conda环境混用的场景，pip安装的lmdb仅对当前执行安装命令的环境生效。
• 系统底层依赖缺失：Python的lmdb包依赖系统级的lmdb动态库，Linux环境如果没有提前安装对应系统包，会导致Python lmdb导入时找不到底层依赖抛出异常，被tensorpack的条件导入逻辑捕获。
• 导入逻辑误判：tensorpack 0.9.8版本对LMDBSerializer的导入判断捕获了所有类型的异常，包括lmdb导入时触发的警告、权限错误等非导入失败类异常，会误判为lmdb未安装。
• 权限不足：当前运行代码的用户没有lmdb包安装目录的读取权限，导致导入lmdb失败。

解决方案 #

1. 首先校验当前环境的lmdb安装状态
   在运行代码的同终端、同环境下执行命令：
   python -c "import lmdb; print(lmdb.__version__)"
   如果该命令抛出ImportError，说明lmdb没有正确安装到当前运行环境，使用对应环境的包管理器重新安装即可：

• 若使用conda环境，执行conda install lmdb python-lmdb=0.97
• 若使用纯pip环境，执行pip install lmdb==0.97
  注意不要混用conda和pip安装lmdb，会出现依赖冲突。

2. 修复系统依赖缺失
   如果执行上一步的导入命令提示找不到.so/.dll动态库，按操作系统安装对应依赖：

• Debian/Ubuntu系：执行sudo apt install liblmdb-dev
• CentOS/RHEL系：执行sudo yum install lmdb-devel
• Windows环境：建议直接使用conda安装预编译的lmdb包，避免手动编译的适配问题。

3. 绕开tensorpack导入逻辑误判
   如果单独import lmdb正常但仍触发原始报错，可以在你的代码最开头先手动导入lmdb，再导入tensorpack的dataflow模块，即可绕开tensorpack的条件导入校验：

import lmdb
from tensorpack import dataflow

如果仍未解决，可以直接修改tensorpack安装目录下的tensorpack/dataflow/serialize.py文件，删除LMDBSerializer相关的异常捕获逻辑，直接导入即可。

4. 修正代码其他语法错误
   你提供的代码中labels.append(d[-2])的变量d未定义，实际应为data[-2]，该错误为独立的语法错误，和当前的导入报错无关，后续调试时需要单独修正。

内容的提问来源于stack exchange，提问作者user15117959