本文详解如何解决 python 中多路 ip 摄像头实时处理时的性能瓶颈问题，指出原生 `multiprocessing.process` 在深度学习场景下的局限性，并通过切换至 `torch.multiprocessing.process` + `torch.set_num_threads()` 实现真正的 cpu 并行加速。
在构建基于 YOLOv7 的实时车牌识别系统时，为保障多路 IP 摄像头（如停车场各入口）的独立、低延迟处理，采用多进程架构是合理选择。但实践中常出现“增加摄像头数量后整体吞吐骤降”的现象——即使 CPU 利用率高达 77%，帧率却明显下滑。这并非硬件瓶颈，而是 Python 深度学习工作流中进程初始化与线程资源竞争未被正确隔离所致。
根本原因在于：标准 multiprocessing.Process 启动子进程后，PyTorch 默认仍会启用全部可用 CPU 线程（例如 20 核机器上每个进程默认调用 20 线程），导致多个模型推理任务在线程层面激烈争抢，引发严重上下文切换与缓存抖动。而 torch.multiprocessing 是 PyTorch 官方提供的增强型多进程模块，它在进程启动时自动进行更严格的环境隔离（如清除 CUDA 上下文、重置 OpenMP/TBB 线程池），并支持显式控制每个进程内 PyTorch 的线程数，从而避免资源过载。
✅ 正确做法如下：
-
替换进程类：将 from multiprocessing import Process 改为
Docker Hub下载Docker Hub (hub.docker.com)。此技能适用于所有 Docker Hub 操作，包括读取、创建、更新和删除数据。只要任务涉及 Docker Hub，就使用此技能。
import torch.multiprocessing as mp # 注意：需在主模块顶部添加此行（尤其 Windows/macOS） mp.set_start_method('spawn', force=True) -
更新主程序 main.py：
import torch.multiprocessing as mp camera_urls = ['rtsp://cam1', 'rtsp://cam2'] processes = [] for i, url in enumerate(camera_urls): p = mp.Process(target=camera_process, args=(i + 1, url)) processes.append(p) p.start() for p in processes: p.join() -
在 camera_process 函数开头强制限定线程数（关键！）：
def camera_process(cam_id, url): # ✅ 每个进程独立设置线程数，防止线程爆炸 torch.set_num_threads(4) # 根据 CPU 核心数合理分配，如 20 核可设为 4–6 cam = Camera(cam_id, url) plate_detector = PlateDetector(DETECTION_MODEL) plate_reader = PlateReader(OCR_MODEL) while True: if cam.stopped: cam.attempt_to_connect() im = cam.get_frame() if im is None: continue time.sleep(cam.FPS) detected, plate = plate_detector.detect(im) if detected: successful, prediction = plate_reader.predict(plate) if successful: send_plate(cam_id, url, prediction, plate)
⚠️ 注意事项：
- 必须调用 mp.set_start_method('spawn')：fork 方式在 PyTorch 场景下易引发 CUDA 上下文错误或内存泄漏，spawn 更安全可靠；
- torch.set_num_threads(N) 需在子进程内尽早调用（最好在函数第一行），且应在模型加载前执行；
- 若使用 OpenCV 的 cv2.VideoCapture，建议禁用其内部优化线程（如 cv2.setNumThreads(0)），避免与 PyTorch 线程再次冲突；
- Docker 部署时，确保容器以 --cpus="X" 限制资源，并在 torch.set_num_threads() 中匹配该值（如 --cpus="8" → 设为 4）；
- 不推荐改用纯 threading（受 GIL 限制，无法加速模型推理）或盲目增加进程数（超过物理核心数将加剧调度开销）。
总结：Python 完全胜任多路高清视频实时 AI 分析任务，关键在于选用与框架协同的并行原语。torch.multiprocessing 不仅规避了 GIL 对计算密集型任务的影响，更通过精细化线程管控，让每个摄像头处理流程真正独占其应得的计算资源。经此优化，2 路摄像头可稳定达到单路 95%+ 的吞吐效率，系统横向扩展能力显著提升。
