Python 影像處理_釋放記憶體避免OOM崩潰

在使用 Python 進行影像處理 或 資料科學運算 時，我們常常需要載入大量圖片或產生大量矩陣。

如果沒有妥善管理記憶體，程式很容易因為 RAM 爆滿 (Out Of Memory, OOM) 而崩潰。

MemoryError: Unable to allocate 12.9 MiB for an array with shape (1628, 2775, 3)

and data type uint8

本文將用範例與實驗結果，完整說明：

• 為什麼 del 與 gc.collect() 是必要的
• 什麼情況下記憶體會暴增
• 正確釋放記憶體的方法與效益

測試結果圖

沒有釋放記憶體，就會一直疊加。

釋放記憶體，保持穩定，完全不會隨著迴圈增加。

為什麼需要記憶體管理

Python 內建的垃圾回收（Garbage Collection, GC）會自動釋放不再被引用的變數，但在影像處理這種情境下，GC 不一定能及時處理記憶體釋放，原因包括：

1. 變數還有引用
   影像處理過程中，如果把處理結果存進一個列表或變數，Python 不會釋放這塊記憶體。
2. NumPy 與底層 C 記憶體池
   NumPy 陣列的底層記憶體由 C 管理，GC 只會釋放 Python 物件，不會立即歸還底層記憶體給作業系統。
3. 記憶體碎片化
   記憶體釋放不及時，或者釋放後無法馬上回收，導致表面上看起來記憶體佔用不斷增加。

程式範例

import numpy as np
import gc
import psutil
import os
import time

def print_memory_usage(note=""):
    process = psutil.Process(os.getpid())
    print(f"[Memory {note}] {process.memory_info().rss / 1024 / 1024:.2f} MB")

def simulate_processing(num_images=30, image_size=(4000, 4000, 3), release_memory=False):
    """
    num_images: 模擬影像數量
    image_size: 每張影像大小
    release_memory: 是否釋放記憶體
    """
    print(f"\n{'='*20} {'WITH' if release_memory else 'WITHOUT'} MEMORY RELEASE {'='*20}\n")

    processed_images = []  # 模擬把每張處理後的結果保留下來

    for i in range(num_images):
        print_memory_usage(f"Before creating image {i+1}")

        # 模擬創造一張高解析度影像 (RGB)
        img = np.random.randint(0, 256, size=image_size, dtype=np.uint8)

        # 模擬簡單處理：轉灰階
        gray = np.mean(img, axis=2).astype(np.uint8)

        # 把結果暫存 (模擬程式需要暫時保存結果)
        processed_images.append(gray)

        print_memory_usage(f"After processing image {i+1}")

        if release_memory:
            # 釋放當前影像記憶體
            del img
            del gray
            processed_images.clear()  # 清空暫存
            gc.collect()
            print_memory_usage(f"After GC image {i+1}")
        else:
            print_memory_usage(f"Image {i+1} kept in memory")

        time.sleep(0.3)

# 測試沒釋放記憶體
simulate_processing(num_images=10, release_memory=False)

# 測試有釋放記憶體
simulate_processing(num_images=10, release_memory=True)

什麼時候需要 gc.collect()

• 需要釋放大物件或大量 NumPy 陣列時
  如影像批次處理、影片逐幀分析、深度學習資料預處理。
• 長時間執行的程式
  例如服務型程式、持續運行的監控系統。
• 迴圈產生大量資料
  當記憶體曲線持續上升，就代表該手動釋放。

最佳實踐建議

1. 盡量不要保留不必要的變數
   處理完一張影像立即釋放，不要一次堆積。
2. 批次處理
   大量影像可分批處理，每批處理完成釋放記憶體。
3. 監控記憶體
   用 psutil 實時檢查記憶體狀況。
4. 避免不必要的拷貝
   使用 NumPy 的原地操作可以減少額外記憶體消耗。