ProcessPoolExecutor 更适合图像处理，因其绕过GIL实现真正并行；而ThreadPoolExecutor受GIL限制，多线程无法加速CPU密集型的解码、缩放、滤波等操作。
ProcessPoolExecutor 处理图像时为什么比 ThreadPoolExecutor 更合适？
图像处理（尤其是解码、缩放、滤波）通常是 CPU 密集型任务，ThreadPoolExecutor 受限于 Python 的 GIL，多线程几乎不提速；而 ProcessPoolExecutor 绕过 GIL，真正并行执行。但注意：进程启动开销大，小图或少量任务反而更慢。
- 图像尺寸 ≥ 512×512、批量 ≥ 20 张时，
ProcessPoolExecutor才显优势 - 每个子进程会复制主进程的内存（包括已加载的模型或大数组），慎用全局变量缓存图像处理器
- OpenCV、PIL 等库在子进程中需重新 import，不能依赖主进程的模块状态
如何避免 pickle 失败导致的 RuntimeError？
ProcessPoolExecutor 序列化参数和返回值时依赖 pickle，而 PIL Image 对象、OpenCV Mat、NumPy 数组（含某些自定义 dtype）默认不可 pickle，常见报错：TypeError: cannot pickle 'Image' object。
- 把图像转为
bytes或np.ndarray（dtype 为uint8）再传入 - 不传路径字符串以外的文件句柄、lambda、嵌套类实例
- 若必须复用预处理逻辑，把函数定义在模块顶层，而非
if name == 'main':块内
def resize_image(data):
import numpy as np
from PIL import Image
from io import BytesIO
img = Image.open(BytesIO(data)) # 从 bytes 构建
img = img.resize((224, 224))
return np.array(img) # 返回 ndarray，可 pickle
<h1>调用时：</h1><p>with open('a.jpg', 'rb') as f:
raw = f.read()
future = executor.submit(resize_image, raw)</p>
如何控制内存爆炸和进程僵死？
图像处理容易因单张大图（如 100MP TIFF）或未释放资源导致子进程 OOM 或卡住，尤其在 Windows 上进程回收不及时。
- 使用
max_workers显式限制并发数（建议 ≤ CPU 核心数，勿设为None） - 在子进程函数末尾主动调用
del img; import gc; gc.collect()（对 PIL/OpenCV 有效） - 避免在
submit()中传入原始路径列表后，在子进程中重复打开同一文件——改用pathlib.Path字符串 + 子进程内独占打开 - 加
timeout参数防死锁：future.result(timeout=30)
为什么 multiprocessing.set_start_method('spawn') 在 macOS/Linux 很关键？
默认 fork 启动方式会复制主进程内存快照，若主进程已加载 PyTorch/TensorFlow，子进程可能继承损坏的 CUDA 上下文或线程锁，引发段错误或 hang。
- 在
if name == 'main':下第一行加：multiprocessing.set_start_method('spawn') -
spawn更干净，但启动略慢；Windows 默认即 spawn，无需设置 - 若用
concurrent.futures且未手动 importmultiprocessing，需提前 import 并设 method，否则ProcessPoolExecutor仍走 fork
图像处理的瓶颈常不在计算本身，而在序列化、内存拷贝和进程初始化。别只盯着 max_workers 调大，先确保每张图进 pool 前是轻量可序列化的形态。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
