Hacktoberfest 2026 : les issues que les mainteneurs ont marquées pour octobre, ouvertes et accessibles aux débutants. Parcourir les issues Hacktoberfest

Memory allocated when creating Python objects is never automatically freed

Ouverte
  • Quelque chose ne va pas ?
#754 0 commentaires 0 réactions 0 personnes assignées Voir sur GitHub

Les mainteneurs répondent en général sous 1 jour

Personne n'a encore pris cette issue.

Évaluation

Difficulté
4/5
Temps estimé
3-5 jours
Accessibilité débutants
35/100
Type d'issue
Bug
Clarté
Plutôt claire
Activité
À l'abandon
Stack technique
python
Domaine
performance

Piste de recherche

Commencez par exécuter le createmodel() CP-SAT MWE fourni avec PythonCall et CondaPkg, puis comparez les effets de PythonCall.pydel!(...) et GC.gc(). Suivez les points d’entrée de la durée de vie des objets et du garbage collection de PythonCall ; le travail est terminé lorsque des appels répétés libèrent les allocations hors portée sans nécessiter de GC manuel.

Rédigé par le modèle d'indexation à partir du texte de l'issue.

Description

bug

Affects: PythonCall

Describe the bug
I am trying to use PythonCall.jl to call the Python interface to CP-SAT, which is a popular constraint programming library from Google's OR-Tools toolkit. The problem is that the memory that gets allocated when creating a Python object from that interface is never automatically freed.

A function createmodel() is used to create a CpModel object`, which goes out of scope after the function terminates. Each time the function is executed, the memory gets fuller, until eventually the Julia process gets killed. The expected behavior is that at some point before Julia gets killed, the memory that was allocated for objects that are out of scope should get released.

Here are the steps to reproduce a MWE, assuming the environment already has PythonCall.jl and CondaPkg.jl:

Add OR-Tools to the environment and import it:

using PythonCall, CondaPkg
] conda pip_add ortools
cp_model = pyimport("ortools.sat.python.cp_model")

Define the function that will create and initialize a CpModel object:

createmodel() = let 
  model = cp_model.CpModel() # create model
  variables = [model.new_int_var(0,1, "x_" * string(i)) for i in 1:100] # add variables to the model
  model.add_allowed_assignments(variables, [rand(0:1, 100) for _ in 1:200000]) # add constraints over those variables
  return nothing
end

Repeatedly call createmodel() and observe that the memory usage keeps going up until the Julia process gets killed.

createmodel()
createmodel()
createmodel()
# ... if you keep calling createmodel(), eventually the memory gets full

Your system
Please provide detailed information about your system:

  • Operating System: Fedora Linux 43

  • Python version: 3.14.3

  • versioninfo()

    Julia Version 1.12.3
Commit 966d0af0fdf (2025-12-15 11:20 UTC)
Build Info:
  Official https://julialang.org release
Platform Info:
  OS: Linux (x86_64-linux-gnu)
  CPU: 8 × 11th Gen Intel(R) Core(TM) i7-1165G7 @ 2.80GHz
  WORD_SIZE: 64
  LLVM: libLLVM-18.1.7 (ORCJIT, tigerlake)
  GC: Built with stock GC
Threads: 1 default, 1 interactive, 1 GC (on 8 virtual cores)

  •   import Pkg; Pkg.status()

    Status `~/MWECPSAT/Project.toml`
  [992eb4ea] CondaPkg v0.2.34
  [6099a3de] PythonCall v0.9.31

  •   import CondaPkg; CondaPkg.status()

    Environment
  /home/dmaioli/MWECPSAT/.CondaPkg/.pixi/envs/default
Pip Packages
  ortools v9.15.6755

Additional context

  • Calling PythonCall.pydel!(model) and/or for v in variables PythonCall.pydel!(v) end inside the body of the function does not have any visible effect
  • Executing GC.gc() after the function calls has the effect that at least part of the allocated memory gets freed, but sometimes this does not happen if it is executed only once.
  • Calling the equivalent code directly from Python works as expected, i.e. the memory gets freed after the function terminates. Here is the Python version: 
    from ortools.sat.python import cp_model
import random

    def createmodel():
  model = cp_model.CpModel()
  variables = [model.new_int_var(0,1, f"x_{i}") for i in range(100)]
  model.add_allowed_assignments(variables, [[random.randint(0,1) for _ in range(100)] for _ in range(200000)])
  return None

    createmodel()
createmodel()
createmodel()
# ... if you keep calling createmodel(), the memory never gets full
Langage dominant
Julia
Étoiles
1.1k
Forks
89
Merge moyen
2 j 15 h
PR mergées (30 j)
7

Préparer son environnement

Ce projet ne fournit ni conteneur de développement, ni Dockerfile, ni guide de contribution : l'installation est à votre charge. Commencez par son README, et consultez notre guide de la première contribution pour les étapes générales.

Par où commencer

  1. Lisez l'issue en entier, puis le guide de contribution du projet.
  2. Signalez en commentaire que vous la prenez — cela évite que deux personnes fassent le même travail.
  3. Forkez le dépôt et travaillez sur une branche.
  4. Ouvrez une pull request qui référence le numéro de l'issue.

Autres issues de JuliaPy/PythonCall.jl

Toutes les issues de JuliaPy/PythonCall.jl

Issues similaires

Plus d'issues Julia

Recevez les nouvelles issues par e-mail

Un résumé court des issues GitHub adaptées aux débutants.