DeepLabCut 3.0.0rc 视频分析中的内存问题解析与解决方案

问题背景

在DeepLabCut 3.0.0rc版本中，用户在使用多动物追踪功能分析视频时遇到了内存溢出的问题。具体表现为在分析4只小鼠、每只小鼠8个身体部位的120分钟视频时，系统内存被耗尽。有趣的是，在之前的2.3.3版本中，即使是更大的视频也能顺利完成分析。

问题现象

用户观察到GPU虽然被使用，但其显存并未充分利用，导致系统内存(RAM)被过度消耗。从用户提供的截图可以看到，GPU利用率正常但显存使用率很低，而系统内存则持续增长直至耗尽。

技术分析

经过开发团队调查，发现问题核心在于身份预测(identity prediction)数据的存储方式。在3.0.0rc版本中，身份预测数据被完整保存在内存中，随着视频帧数的增加，这些数据会不断累积，最终耗尽系统资源。

解决方案

开发团队提出了两个层面的解决方案：

1. 内存优化：通过重构代码，减少了身份预测数据的内存占用。这一修改已经合并到主分支中。

2. 持久化存储选项：为PyTorch引擎添加了use_shelve参数支持。当设置为True时，分析结果会直接写入磁盘而非保存在内存中，从而保证内存使用量恒定，不受视频长度影响。

升级指南

用户可以通过以下命令获取包含修复的版本：

pip install --upgrade "git+https://github.com/DeepLabCut/DeepLabCut.git@pytorch_dlc#egg=deeplabcut"

升级后，在分析长视频时建议设置use_shelve=True参数以确保稳定的内存使用。

技术建议

对于需要进行长时间视频分析的用户，我们建议：

1. 确保使用最新版本的DeepLabCut
2. 对于超过30分钟的视频，启用use_shelve选项
3. 监控系统资源使用情况，特别是当分析极高分辨率或多动物场景时
4. 考虑将长视频分割成多个片段分别分析，再合并结果

总结

DeepLabCut团队快速响应并解决了3.0.0rc版本中的内存管理问题，为用户提供了更稳定的视频分析体验。这一改进特别有利于神经科学和行为学研究领域需要处理长时间视频记录的研究人员。