AttributeError: 'NoneType' object has no attribute '_free_weak_ref' Exception ignored in: <function StorageWeakRef.__del__ at 0x0000016920A971F0>

### 关于 Python 中 AttributeError: 'NoneType' object has no attribute '_free_weak_ref' 在使用 YOLOv5 v6.1 训练自定义数据集的过程中，当设置了 `--image-weights=True` 参数时出现了如下错误： ```plaintext Exception ignored in: <function StorageWeakRef.__del__ at 0x000001CFC9C2BB80> Traceback (most recent call last): File "J:\anaconda\envs\pytorch_env_liu\lib\site-packages\torch\multiprocessing\reductions.py", line 36, in __del__ File "J:\anaconda\envs\pytorch_env_liu\lib\site-packages\torch\storage.py", line 520, in _free_weak_ref AttributeError: 'NoneType' object has no attribute '_free_weak_ref' ``` 此问题的根本原因可能在于 PyTorch 的多进程机制与存储管理之间的冲突。具体来说，在某些情况下，PyTorch 的 `_free_weak_ref` 方法被调用时，其依赖的对象已经被销毁或未正确初始化[^1]。 #### 可能的原因分析 1. **多线程或多进程环境下的资源竞争** 当前环境中可能存在多个子进程尝试访问共享资源的情况，而这些资源已被释放或尚未完全加载。这可能导致 `_free_weak_ref` 被调用时找不到有效的对象实例。 2. **内存泄漏或垃圾回收问题** 如果程序中的某个部分未能正确清理资源，则可能会导致弱引用无法正常工作。这种行为通常发生在复杂的数据流管道中，尤其是在图像增强或其他预处理阶段。 3. **版本兼容性问题** 用户使用的 PyTorch 版本为 1.11.0，该版本可能存在一些已知的 bug 或不稳定性。如果 YOLOv5 的实现与其存在潜在的 API 不匹配，则也可能引发此类错误。 --- ### 解决方案 以下是几种可行的方法来解决问题： #### 方法一：禁用图像加权功能 可以暂时取消 `--image-weights=True` 参数以验证是否与此选项有关。如果关闭后不再报错，则说明问题是由于权重计算逻辑引起的。此时可以通过调整数据分布或优化采样策略替代这一参数。 #### 方法二：更新 PyTorch 和其他依赖库 确保安装的是最新稳定版 PyTorch（例如 1.13.x），因为较新的版本修复了许多旧版本中存在的缺陷。此外还需确认 CUDA 驱动以及 cuDNN 是否适配当前硬件配置。 命令示例： ```bash pip install torch torchvision torchaudio --upgrade ``` #### 方法三：修改代码避免 None 值操作 对于任何可能出现 None 类型变量的地方都应增加保护措施。比如通过显式的条件判断或者提供默认值的方式防止非法访问[^2]: ```python if obj is not None and hasattr(obj, '_free_weak_ref'): obj._free_weak_ref() else: pass # Handle the case where obj might be None or missing attributes. ``` #### 方法四：捕获并忽略特定异常 虽然这不是最佳实践，但在调试期间可临时采用 try-except 来屏蔽不必要的警告消息: ```python try: from torch.multiprocessing.reductions import StorageWeakRef del StorageWeakRef # Force deletion to trigger cleanup logic safely. except AttributeError as e: print(f"Ignored exception during cleanup: {e}") finally: pass # Ensure proper resource release regardless of exceptions occurred above. ``` #### 方法五：减少并发数 降低 DataLoader 工作线程数量 (`num_workers`) 并观察效果如何变化。有时过多的工作线程会加剧同步失败的风险: ```yaml train: batch_size: 16 num_workers: 2 # Try setting this value lower than default settings. ``` --- ### 总结 上述方法涵盖了从基础排查到深入定制的不同层面解决方案。推荐优先考虑升级软件栈至最新状态，并仔细审查涉及多线程/多进程的部分是否存在隐患。必要时还可以查阅官方文档获取更详尽的支持信息。