PyTorch视频帧处理中内存不释放的根源是CUDA缓存机制和计算图残留，必须在每帧处理后立即调用torch.cuda.empty_cache()，配合model.eval()和torch.no_grad()禁用梯度，del仅解除引用而empty_cache才真正释放显存。
PyTorch视频帧处理中内存不释放的典型表现
加载一帧就 torch.tensor() 一次，循环几十帧后 OOM；用 cv2.VideoCapture 读帧 + torch.from_numpy() 转换后没显式释放，nvidia-smi 显示 GPU 内存持续上涨；即使函数退出、变量被重赋值，torch.cuda.memory_allocated() 仍不回落。
根本原因不是“没删变量”，而是 PyTorch 的 CUDA 缓存机制默认复用显存块，且 autograd 计算图残留（哪怕没 .backward()）也可能持引用。单纯靠 Python 垃圾回收器（gc.collect()）无法触发 CUDA 显存释放。
必须显式调用 torch.cuda.empty_cache()
这不是可选项，是视频批量帧处理的强制操作点：
-
torch.cuda.empty_cache()不会清空模型参数或当前活跃 tensor，只释放未被任何 tensor 引用的缓存显存 - 它应在每帧处理完、且确定后续不再访问该帧对应 tensor 后立即调用（尤其在
with torch.no_grad():块内做完推理后） - 不要等到循环结束才调用——缓存会在多帧间不断累积
for i in range(frame_count):
ret, frame = cap.read()
if not ret: break
tensor = torch.from_numpy(frame).permute(2, 0, 1).float().unsqueeze(0).to('cuda')
out = model(tensor)
del tensor, out # 先解引用
torch.cuda.empty_cache() # 立即释放缓存
注意：del 本身不释放显存，只是移除 Python 引用；empty_cache() 才真正归还给 CUDA 驱动。
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
立即学习“Python免费学习笔记（深入）”；
避免隐式计算图构建导致的 Tensor 持有
只要 tensor 的 requires_grad=True（或由它派生），PyTorch 就会构建计算图并持有输入 tensor 引用，即使你没调 .backward()。视频处理中绝大多数场景不需要梯度：
- 用
model.eval()+torch.no_grad()双保险，禁止 grad 开关和计算图追踪 - 输入 tensor 显式设为
requires_grad=False（虽然no_grad下默认如此，但加一层更稳） - 切勿在推理循环里写类似
loss = criterion(pred, target); loss.backward()—— 这是训练逻辑，混入推理会快速拖垮内存
gc.collect() 在 CUDA 场景下作用有限但仍有用处
gc.collect() 对 CPU 内存中的 tensor 对象（如 numpy array、python list of tensors）回收有效，但它完全不影响 CUDA 显存分配状态：
- 如果你用
list.append(tensor)积累帧数据，忘了清空 list，gc.collect()可帮回收 list 本身和其中的 CPU-side tensor 元信息 - 但如果 tensor 已转移到 GPU，
gc.collect()不会让torch.cuda.memory_allocated()下降 - 实操建议：仅在确认有大量 CPU 端中间对象（如预处理后的 PIL.Image、临时 dict）堆积时，配合
del使用；别指望它解决显存泄漏
真正容易被忽略的是：PyTorch 的 CUDA 缓存行为在不同版本中略有差异，1.12+ 默认启用 torch.cuda.memory_stats() 中的“allocated vs reserved”分离机制，所以看 memory_allocated() 低不代表显存真空闲——得同时监控 memory_reserved()，并在关键节点调 empty_cache() 才算闭环。
