为什么会有这种现象:
1、传参形式·两个线程一个model时
多进程可以
model1 = YOLO('../config/yolov8n.pt')
# model2 = YOLO('../config/yolov8n-seg.pt')
# 创建跟踪器线程
tracker_thread1 = Process(target=process_camera_stream, args=(0, shared_dict, lock,shared_queue,model1), daemon=True)
tracker_thread2 = Process(target=process_camera_stream, args=(1, shared_dict, lock,shared_queue,model1), daemon=True)
多线程不可以-报错: AttributeError: bn
model1 = YOLO('../config/yolov8n.pt')
# model2 = YOLO('../config/yolov8n-seg.pt')
# 创建跟踪器线程
tracker_thread1 = threading.Thread(target=process_camera_stream, args=(0, shared_dict, lock,shared_queue,model1), daemon=True)
tracker_thread2 = threading.Thread(target=process_camera_stream, args=(1, shared_dict, lock,shared_queue,model1), daemon=True)
super().__delattr__(name)
2、传参形式·两个线程两个model【两个相同类型的model亦可以】时多线程和多进程都可以
这种现象的主要原因可能与Python的线程和进程模型,以及YOLO模型的实现有关。下面是可能的解释:
- 线程和进程的区别:
- 在Python中,线程共享同一内存空间,而进程有各自独立的内存空间。这意味着在多线程环境中,所有线程共享相同的全局变量和对象实例。而在多进程环境中,每个进程都有自己的全局变量和对象实例的副本。
- 模型实例的线程安全性:
- 根据你的描述和错误信息,当两个线程尝试共享同一个YOLO模型实例时,会发生错误(
AttributeError: bn
)。这可能意味着YOLO模型实例不是线程安全的,也就是说,它不能被多个线程同时访问而不产生错误或不确定的行为。
- 根据你的描述和错误信息,当两个线程尝试共享同一个YOLO模型实例时,会发生错误(
- 模型实例的进程安全性:
- 另一方面,当两个进程共享同一个YOLO模型实例时,没有发生错误。这是因为每个进程都有自己的内存空间,所以它们实际上是在操作各自的YOLO模型实例的副本,而不是共享同一个实例。
- 两个线程,两个模型实例:
- 当每个线程都有自己的YOLO模型实例时,无论是在多线程还是多进程环境中,都不会发生错误。这是因为每个线程/进程都在操作自己的模型实例,而不是试图共享同一个实例。
综上所述,这种现象的根本原因可能是YOLO模型实例不是线程安全的,不能被多个线程同时访问。为了避免这种问题,可以为每个线程创建一个独立的YOLO模型实例,或者使用多进程而不是多线程。在多进程环境中,每个进程都有自己的内存空间和全局变量,从而避免了线程安全问题。