遵循TensorFlow官方仓库牛津宠物数据集云分布式训练教程遇远程错误

嘿，我之前跟着这个官方教程操作时也踩过几乎一模一样的坑！看你给出的报错Traceback开头是Python2.7的runpy.py调用栈，这基本可以确定是Python版本不兼容导致的——毕竟TensorFlow早在几年前就停止对Python2的支持了，官方的Object Detection分布式训练教程现在完全是基于Python3.x环境的。

可能的问题根源 #

• 你的GCP实例默认使用了Python2.7，但TensorFlow Object Detection API要求Python3.6及以上版本（推荐3.8/3.9，和主流TensorFlow版本匹配）
• 启动训练脚本时没有指定Python3，系统自动用了Python2来执行，导致依赖完全不匹配

具体修复步骤 #

• 切换到Python3环境并创建虚拟环境
  先在GCP实例终端里检查Python3版本：

  python3 --version
  

  如果版本低于3.6，先安装合适的版本（比如3.8）：

  sudo apt-get update && sudo apt-get install python3.8 python3.8-venv
  

  然后创建并激活专属的虚拟环境，避免和系统环境冲突：

  python3.8 -m venv tf_od_dist_env
  source tf_od_dist_env/bin/activate
  

  激活后终端会显示(tf_od_dist_env)，说明已经进入正确的环境了。

• 重新安装适配的依赖
  在虚拟环境里安装和教程匹配的TensorFlow版本（比如2.10.x，这是官方教程常用的稳定版本）：

  pip install tensorflow==2.10.0
  

  接着重新安装Object Detection API的所有依赖：

  pip install --upgrade pip
  pip install pillow lxml matplotlib opencv-python
  

  别忘了重新编译protobuf文件（这一步很容易被忽略）：

  cd models/research
  protoc object_detection/protos/*.proto --python_out=.
  

• 用Python3启动训练脚本
  之前的错误就是因为用Python2执行了脚本，所以启动分布式训练时一定要明确指定python3，比如官方教程里的训练命令要改成这样：

  python3 object_detection/model_main_tf2.py \
    --pipeline_config_path=${PIPELINE_CONFIG_PATH} \
    --model_dir=${MODEL_DIR} \
    --num_train_steps=${NUM_TRAIN_STEPS} \
    --alsologtostderr \
    --distribution_strategy=multi_worker_mirrored
  

如果做完这些还是有问题，可以再检查下GCP集群的节点配置是否一致，以及是否给实例分配了足够的GPU资源，但从你给出的报错信息来看，解决Python版本问题应该就能搞定大部分问题了。

内容的提问来源于stack exchange，提问作者Andrew