使用 YOLO 模型进行线程安全推理
在多线程环境中运行 YOLO 模型需要仔细考虑，以确保线程安全。Python 的 threading 模块允许您同时运行多个线程，但当涉及到在这些线程中使用 YOLO 模型时，有一些重要的安全问题需要注意。本页将指导您创建线程安全的 YOLO 模型推理。
观看： 如何在 python 中使用 Ultralytics YOLO 模型执行线程安全推理 | 多线程 🚀
理解 Python 线程
Python 线程是一种并行形式，允许您的程序一次运行多个操作。但是，Python 的全局解释器锁 (GIL) 意味着一次只能执行一个 Python 字节码。
虽然这听起来像是一个限制，但线程仍然可以提供并发性，特别是对于 I/O 密集型操作，或者当使用释放 GIL 的操作时，例如 YOLO 的底层 C 库执行的操作。
共享模型实例的风险
在线程外部实例化 YOLO 模型并在多个线程之间共享此实例可能会导致竞争条件，其中模型的内部状态由于并发访问而被不一致地修改。当模型或其组件保持并非设计为线程安全的状态时，这尤其成问题。
非线程安全示例：单个模型实例
在 python 中使用线程时，重要的是要识别可能导致并发问题的模式。以下是您应该避免的情况：在多个线程之间共享单个 YOLO 模型实例。
# Unsafe: Sharing a single model instance across threads
from threading import Thread
from ultralytics import YOLO
# Instantiate the model outside the thread
shared_model = YOLO("yolo11n.pt")
def predict(image_path):
"""Predicts objects in an image using a preloaded YOLO model, take path string to image as argument."""
results = shared_model.predict(image_path)
# Process results
# Starting threads that share the same model instance
Thread(target=predict, args=("image1.jpg",)).start()
Thread(target=predict, args=("image2.jpg",)).start()
在上面的例子中， shared_model 被多个线程使用，这可能会导致不可预测的结果，因为 predict 可以由多个线程同时执行。
非线程安全示例：多个模型实例
类似地，这是一个包含多个 YOLO 模型实例的不安全模式：
# Unsafe: Sharing multiple model instances across threads can still lead to issues
from threading import Thread
from ultralytics import YOLO
# Instantiate multiple models outside the thread
shared_model_1 = YOLO("yolo11n_1.pt")
shared_model_2 = YOLO("yolo11n_2.pt")
def predict(model, image_path):
"""Runs prediction on an image using a specified YOLO model, returning the results."""
results = model.predict(image_path)
# Process results
# Starting threads with individual model instances
Thread(target=predict, args=(shared_model_1, "image1.jpg")).start()
Thread(target=predict, args=(shared_model_2, "image2.jpg")).start()
即使存在两个独立的模型实例，仍然存在并发问题的风险。如果 YOLO 不是线程安全的，使用单独的实例可能无法防止竞争条件，特别是如果这些实例共享任何非线程本地的底层资源或状态。
线程安全推理
要执行线程安全推理，您应该在每个线程中实例化一个单独的 YOLO 模型。这确保了每个线程都有其自己隔离的模型实例，从而消除了出现竞争条件的风险。
线程安全示例
以下是如何在每个线程中实例化 YOLO 模型以实现安全的并行推理：
# Safe: Instantiating a single model inside each thread
from threading import Thread
from ultralytics import YOLO
def thread_safe_predict(image_path):
"""Predict on an image using a new YOLO model instance in a thread-safe manner; takes image path as input."""
local_model = YOLO("yolo11n.pt")
results = local_model.predict(image_path)
# Process results
# Starting threads that each have their own model instance
Thread(target=thread_safe_predict, args=("image1.jpg",)).start()
Thread(target=thread_safe_predict, args=("image2.jpg",)).start()
在此示例中，每个线程都创建了自己的 YOLO 实例。这可以防止任何线程干扰另一个线程的模型状态，从而确保每个线程安全地执行推理，并且不会与其他线程发生意外交互。
使用 ThreadingLocked 装饰器
Ultralytics 提供了一个 ThreadingLocked 装饰器，可用于确保函数的线程安全执行。此装饰器使用锁来确保一次只有一个线程可以执行被装饰的函数。
from ultralytics import YOLO
from ultralytics.utils import ThreadingLocked
# Create a model instance
model = YOLO("yolo11n.pt")
# Decorate the predict method to make it thread-safe
@ThreadingLocked()
def thread_safe_predict(image_path):
"""Thread-safe prediction using a shared model instance."""
results = model.predict(image_path)
return results
# Now you can safely call this function from multiple threads
字段 ThreadingLocked 装饰器在需要在线程之间共享模型实例，但又希望确保一次只有一个线程可以访问它时特别有用。与为每个线程创建一个新的模型实例相比，这种方法可以节省内存，但可能会降低并发性，因为线程需要等待锁被释放。
结论
当将 YOLO 模型与 python 的 threading，始终在使用模型的线程中实例化模型，以确保线程安全。这种做法可以避免竞争条件，并确保推理任务可靠运行。
对于更高级的场景，并进一步优化您的多线程推理性能，请考虑使用基于进程的并行处理（使用 multiprocessing）或利用具有专用工作进程的任务队列。
常见问题
在多线程 python 环境中使用 YOLO 模型时，如何避免竞争条件？
为了防止在多线程 python 环境中使用 Ultralytics YOLO 模型时出现竞争条件，请在每个线程中实例化一个单独的 YOLO 模型。这确保了每个线程都有其自己隔离的模型实例，从而避免了模型状态的并发修改。
例子：
from threading import Thread
from ultralytics import YOLO
def thread_safe_predict(image_path):
"""Predict on an image in a thread-safe manner."""
local_model = YOLO("yolo11n.pt")
results = local_model.predict(image_path)
# Process results
Thread(target=thread_safe_predict, args=("image1.jpg",)).start()
Thread(target=thread_safe_predict, args=("image2.jpg",)).start()
有关确保线程安全的更多信息，请访问使用 YOLO 模型进行线程安全推理。
在 Python 中运行多线程 YOLO 模型推理的最佳实践是什么？
为了在 Python 中安全地运行多线程 YOLO 模型推理，请遵循以下最佳实践：
- 在每个线程中实例化 YOLO 模型，而不是在线程之间共享单个模型实例。
- 使用 python 的
multiprocessing模块进行并行处理，以避免与全局解释器锁 (GIL) 相关的问题。 - 通过使用 YOLO 底层 C 库执行的操作来释放 GIL。
- 考虑使用
ThreadingLocked装饰器，用于在关注内存时共享模型实例。
线程安全模型实例化示例：
from threading import Thread
from ultralytics import YOLO
def thread_safe_predict(image_path):
"""Runs inference in a thread-safe manner with a new YOLO model instance."""
model = YOLO("yolo11n.pt")
results = model.predict(image_path)
# Process results
# Initiate multiple threads
Thread(target=thread_safe_predict, args=("image1.jpg",)).start()
Thread(target=thread_safe_predict, args=("image2.jpg",)).start()
有关其他上下文，请参阅关于线程安全推理的部分。
为什么每个线程都应该有自己的 YOLO 模型实例？
每个线程应有自己的 YOLO 模型实例，以防止出现竞争条件。当多个线程共享一个模型实例时，并发访问可能导致不可预测的行为和模型内部状态的修改。通过使用单独的实例，您可以确保线程隔离，从而使您的多线程任务可靠且安全。
有关详细指导，请查看非线程安全示例：单个模型实例和线程安全示例部分。
Python 的全局解释器锁（GIL）如何影响 YOLO 模型推理？
Python 的全局解释器锁 (GIL) 允许一次只执行一个 Python 字节码，这会限制 CPU 密集型多线程任务的性能。但是，对于 I/O 密集型操作或使用释放 GIL 的库（如 YOLO 的底层 C 库）的进程，您仍然可以实现并发。为了提高性能，请考虑使用 Python 的 multiprocessing 模块。
有关 python 中线程的更多信息，请参阅理解 Python 线程部分。
对于 YOLO 模型推理，使用基于进程的并行处理是否比线程更安全？
是的，使用 python 的 multiprocessing 模块对于并行运行 YOLO 模型推理更安全，通常也更有效。基于进程的并行处理创建单独的内存空间，避免了全局解释器锁 (GIL)，并降低了并发问题的风险。每个进程将使用其自己的 YOLO 模型实例独立运行。
有关使用YOLO模型进行基于进程的并行处理的更多详细信息，请参阅关于线程安全推理的页面。
