Data-Juicer项目中图像处理算子内存溢出问题分析与解决方案

问题背景

在Data-Juicer项目使用过程中，用户反馈在执行image_text_similarity_filter和image_text_match_filter这两个图像相关算子时，出现了显存不足(OOM)的错误。虽然通过nvidia-smi查看显存占用并未达到上限，但程序仍然报错，并且未能生成预期的dj_stats统计信息。

现象分析

该问题表现出以下典型特征：

1. 在A800显卡（显存80GB）环境下运行
2. 使用8个进程并行处理
3. 错误信息显示CUDA out of memory
4. 显存监控显示实际占用未达上限
5. 模型加载阶段正常，但在运算阶段报错

根本原因

经过技术分析，发现该问题由两个关键因素导致：

1. 特殊标记符不匹配：Data-Juicer内部默认使用"<__dj__image>"作为图像特殊标记，而用户数据中使用的是""。由于当前版本存在一个已知bug，config文件中的image_special_token参数在CUDA模式下不生效，导致系统无法正确识别和处理图像标记。

2. 显存管理问题：虽然总体显存充足，但由于多进程并行处理时每个进程都需要独立加载模型，加上中间计算产生的临时变量，可能导致瞬时显存需求超过单进程可用配额。

解决方案

针对上述问题，提供两种解决方案：

方案一：使用预处理数据

直接使用比赛套件中提供的预处理数据文件mgm_pretrain_stage_1.jsonl。该文件已经将所有图像特殊标记统一处理为Data-Juicer默认的"<__dj__image>"格式，无需额外设置image_special_token参数。

方案二：修改源码适配

对于需要保持原有""标记的用户，可以修改Data-Juicer源码：

1. 定位到data_juicer/utils/mm_utils.py文件
2. 找到SpecialTokens类
3. 将其中的image属性值由默认的'<__dj__image>'改为''

这种方法可以绕过image_special_token参数不生效的问题，确保系统能正确识别和处理图像标记。

最佳实践建议

1. 显存监控：建议在处理前使用更精细的显存监控工具，如torch.cuda.memory_allocated()，而不仅依赖nvidia-smi。

2. 分批处理：对于大型数据集，可以考虑减小并行进程数或分批处理数据。

3. 版本适配：关注Data-Juicer的版本更新，该问题在未来版本中可能会得到修复。

总结

Data-Juicer作为数据处理工具，在处理多媒体内容时需要注意特殊标记的统一性和显存管理。通过本文提供的解决方案，用户可以顺利解决图像处理算子中的OOM问题，确保数据处理流程的顺利进行。随着项目的持续发展，这类问题将会得到更完善的解决。