Broken pipe error

[Dieterbe]

i'm seeing a lot of broken pipe errors. it was preceeded by a process getting killed
(see output below). perhaps it's just too much data all at once (23 pdf files that are all 60-130 pages long), on a system with 32GB RAM.
i'll try to do it doc by doc in a script, instead.

marker ptc ptc-docs                                                                                                    ✘ 130 
Loaded detection model vikp/surya_det3 on device cpu with dtype torch.float32
Loaded detection model vikp/surya_layout3 on device cpu with dtype torch.float32
Loaded reading order model vikp/surya_order on device cpu with dtype torch.float32
Loaded recognition model vikp/surya_rec2 on device cpu with dtype torch.float32
Loaded texify model to cpu with torch.float32 dtype
Converting 23 pdfs in chunk 1/1 with 5 processes, and storing in /home/dieter/code/ptc/resources/ptc-docs
Detecting bboxes:   0%|                                                                                                                                                                       | 0/33 [00:00<?, ?it/s][1]    116981 killed     marker ptc ptc-docs
Detecting bboxes: 100%|███████████████████████████████████████████████████████████████████████████████████
Recognizing Text: 100%|███████████████████████████████████████████████████████████████████████████████████
Detecting bboxes: 100%|███████████████████████████████████████████████████████████████████████████████████
Detecting bboxes: 100%|███████████████████████████████████████████████████████████████████████████████████
Detecting bboxes:  53%|███████████████████████████████████████████████████████████████████████████████████▏                                                                          | 20/38 [07:17<04:16, 14.27s/itDetecting bboxes:  55%|███████████████████████████████████████████████████████████████████████████████████████▎                                                                      | 21/38 [07:32<04:05, 14.45s/itDetecting bboxes:  58%|███████████████████████████████████████████████████████████████████████████████████████████▍                                                                  | 22/38 [07:49<04:02, 15.16s/itDetecting bboxes:  61%|███████████████████████████████████████████████████████████████████████████████████████████████▋                                                              | 23/38 [08:05<03:53, 15.58s/itDetecting bboxes:  63%|███████████████████████████████████████████████████████████████████████████████████████████████████▊                                                          | 24/38 [08:24<03:50, 16.47s/itDetecting bboxes:  66%|███████████████████████████████████████████████████████████████████████████████████████████████████████▉                                                      | 25/38 [08:40<03:33, 16.42s/itDetecting bboxes:  68%|████████████████████████████████████████████████████████████████████████████████████████████████████████████                                                  | 26/38 [08:57<03:18, 16.54s/itDetecting bboxes:  71%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎                                             | 27/38 [09:13<03:01, 16.51s/itDetecting bboxes:  74%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍                                         | 28/38 [09:31<02:47, 16.79s/itDetecting bboxes:  76%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌                                     | 29/38 [09:48<02:31, 16.88s/itDetecting bboxes:  79%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋                                 | 30/38 [10:05<02:14, 16.82s/itDetecting bboxes:  82%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉                             | 31/38 [10:24<02:02, 17.47s/itDetecting bboxes:  84%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████                         | 32/38 [10:40<01:42, 17.17s/itDetecting bboxes:  87%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏                    | 33/38 [10:56<01:23, 16.78s/itDetecting bboxes:  89%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎                | 34/38 [11:13<01:07, 16.82s/itDetecting bboxes:  92%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌            | 35/38 [11:33<00:53, 17.89s/itDetecting bboxes:  95%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋        | 36/38 [11:49<00:34, 17.35s/itDetecting bboxes:  97%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊    | 37/38 [12:05<00:16, 16.69s/itDetecting bboxes: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 38/38 [12:10<00:00, 13.38s/itDetecting bboxes: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 38/38 [12:10<00:00, 19.23s/it]
Recognizing Text: 100%|█████████████████████████████████████████████████████| 7/7 [09:03<00:00, 77.58s/it]
Detecting bboxes: 100%|███████████████████████████████████████████████████| 13/13 [03:50<00:00, 17.74s/it]
Recognizing Text: 100%|███████████████████████████████████████████████████| 20/20 [21:13<00:00, 63.68s/it]
Finding reading order: 100%|██████████████████████████████████████████████| 13/13 [07:46<00:00, 35.89s/it]
Recognizing Text:  43%|█████████████████████▊                             | 15/35 [16:04<25:26, 76.32s/it]Process SpawnPoolWorker-2:
Traceback (most recent call last):
  File "/usr/lib/python3.12/multiprocessing/pool.py", line 131, in worker
    put((job, i, result))
  File "/usr/lib/python3.12/multiprocessing/queues.py", line 399, in put
    self._writer.send_bytes(obj)
  File "/usr/lib/python3.12/multiprocessing/connection.py", line 200, in send_bytes
    self._send_bytes(m[offset:offset + size])
  File "/usr/lib/python3.12/multiprocessing/connection.py", line 427, in _send_bytes
    self._send(header + buf)
  File "/usr/lib/python3.12/multiprocessing/connection.py", line 384, in _send
    n = write(self._handle, buf)
        ^^^^^^^^^^^^^^^^^^^^^^^^
BrokenPipeError: [Errno 32] Broken pipe

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
  File "/usr/lib/python3.12/multiprocessing/process.py", line 314, in _bootstrap
    self.run()
  File "/usr/lib/python3.12/multiprocessing/process.py", line 108, in run
    self._target(*self._args, **self._kwargs)
  File "/usr/lib/python3.12/multiprocessing/pool.py", line 136, in worker
    put((job, i, (False, wrapped)))
  File "/usr/lib/python3.12/multiprocessing/queues.py", line 399, in put
    self._writer.send_bytes(obj)
  File "/usr/lib/python3.12/multiprocessing/connection.py", line 200, in send_bytes
    self._send_bytes(m[offset:offset + size])
  File "/usr/lib/python3.12/multiprocessing/connection.py", line 427, in _send_bytes
    self._send(header + buf)
  File "/usr/lib/python3.12/multiprocessing/connection.py", line 384, in _send
    n = write(self._handle, buf)
        ^^^^^^^^^^^^^^^^^^^^^^^^
BrokenPipeError: [Errno 32] Broken pipe
Detecting bboxes: 100%|███████████████████████████████████████████████████| 13/13 [02:39<00:00, 12.27s/it]
Finding reading order: 100%|██████████████████████████████████████████████| 13/13 [04:48<00:00, 22.16s/it]
Process SpawnPoolWorker-3:
Traceback (most recent call last):
  File "/usr/lib/python3.12/multiprocessing/pool.py", line 131, in worker
    put((job, i, result))
  File "/usr/lib/python3.12/multiprocessing/queues.py", line 399, in put
    self._writer.send_bytes(obj)
  File "/usr/lib/python3.12/multiprocessing/connection.py", line 200, in send_bytes
    self._send_bytes(m[offset:offset + size])
  File "/usr/lib/python3.12/multiprocessing/connection.py", line 427, in _send_bytes
    self._send(header + buf)
  File "/usr/lib/python3.12/multiprocessing/connection.py", line 384, in _send
    n = write(self._handle, buf)
        ^^^^^^^^^^^^^^^^^^^^^^^^
BrokenPipeError: [Errno 32] Broken pipe

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
  File "/usr/lib/python3.12/multiprocessing/process.py", line 314, in _bootstrap
    self.run()
  File "/usr/lib/python3.12/multiprocessing/process.py", line 108, in run
    self._target(*self._args, **self._kwargs)
  File "/usr/lib/python3.12/multiprocessing/pool.py", line 136, in worker
    put((job, i, (False, wrapped)))
  File "/usr/lib/python3.12/multiprocessing/queues.py", line 399, in put
    self._writer.send_bytes(obj)
  File "/usr/lib/python3.12/multiprocessing/connection.py", line 200, in send_bytes
    self._send_bytes(m[offset:offset + size])
  File "/usr/lib/python3.12/multiprocessing/connection.py", line 427, in _send_bytes
    self._send(header + buf)
  File "/usr/lib/python3.12/multiprocessing/connection.py", line 384, in _send
    n = write(self._handle, buf)
        ^^^^^^^^^^^^^^^^^^^^^^^^
BrokenPipeError: [Errno 32] Broken pipe

[Dieterbe]

now it also says

/usr/lib/python3.12/multiprocessing/resource_tracker.py:254: UserWarning: resource_tracker: There appear to be 9 leaked semaphore objects to clean up at shutdown
  warnings.warn('resource_tracker: There appear to be %d '

[Dieterbe]

when i run a bash loop and do every pdf separately, it works fine.

[Dieterbe]

To be clear, I'm not asking for, or expecting support. Just wanted to post it in case anyone wants to work on it or if it's helpful to someone.

[VikParuchuri]

I suspect this is an out of memory error - I will fix it in the next update