SuperGradients Trainer报错：'DataLoader' object is not subscriptable

错误原因 #

你遇到的TypeError: 'DataLoader' object is not subscriptable，根源是**coco_detection_yolo_format_train返回的是DataLoader对象，而非Dataset对象**。

你把这些DataLoader实例传入ConcatDataset后，ConcatDataset会尝试用下标（[idx]）访问每个元素，但DataLoader本身不支持下标操作，所以在DataLoader worker进程中触发了错误。而直接传入单个train_datasets[0]能正常运行，是因为它本身就是SuperGradients兼容的DataLoader，符合trainer的输入要求。

解决方案 #

核心思路：先获取每个数据集的原始Dataset对象，合并后再创建符合要求的DataLoader，同时保留数据集的独立状态。

方法1：从返回的DataLoader中提取Dataset #

修改数据集加载代码，提取每个DataLoader内部的dataset属性，再合并：

from super_gradients.training.dataloaders.dataloaders import coco_detection_yolo_format_train, coco_detection_yolo_format_val
from torch.utils.data import ConcatDataset, DataLoader

yolo_folders = [f'{LOCATION}/dataset1', f'{LOCATION}/dataset2', f'{LOCATION}/dataset3', f'{LOCATION}/dataset4']

train_datasets = []
for folder in yolo_folders:
    # 先创建单个数据集的DataLoader
    single_dataloader = coco_detection_yolo_format_train(
      dataset_params={
        'data_dir': folder,
        'images_dir': f'{folder}/train/images',
        'labels_dir': f'{folder}/train/labels',
        'classes': dataset_params['classes'],
        'input_dim': (640, 640)
      },
      dataloader_params={
          'batch_size': BATCH_SIZE,
          'num_workers': 2
      }
    )
    # 提取内部的Dataset对象加入列表
    train_datasets.append(single_dataloader.dataset)

# 合并所有Dataset
combined_train_dataset = ConcatDataset(train_datasets)

# 创建合并后的DataLoader，同时保留原有的collate_fn（检测任务需要特定的数据拼接逻辑）
train_dataloader = DataLoader(
    combined_train_dataset,
    batch_size=16,
    shuffle=True,
    num_workers=4,
    collate_fn=single_dataloader.collate_fn  # 复用原有的拼接函数
)

方法2：直接实例化Dataset类 #

直接使用COCODetectionYoloFormatDataset类创建数据集，跳过DataLoader的中间步骤：

from super_gradients.training.datasets.detection_datasets import COCODetectionYoloFormatDataset
from torch.utils.data import ConcatDataset, DataLoader

yolo_folders = [f'{LOCATION}/dataset1', f'{LOCATION}/dataset2', f'{LOCATION}/dataset3', f'{LOCATION}/dataset4']

train_datasets = []
for folder in yolo_folders:
    # 直接创建Dataset实例
    dataset = COCODetectionYoloFormatDataset(
        data_dir=folder,
        images_dir=f'{folder}/train/images',
        labels_dir=f'{folder}/train/labels',
        classes=dataset_params['classes'],
        input_dim=(640, 640)
    )
    train_datasets.append(dataset)

# 合并Dataset
combined_train_dataset = ConcatDataset(train_datasets)

# 创建DataLoader并指定检测任务的collate_fn
train_dataloader = DataLoader(
    combined_train_dataset,
    batch_size=16,
    shuffle=True,
    num_workers=4,
    collate_fn=COCODetectionYoloFormatDataset.collate_fn
)

验证集修改 #

验证集部分同理，将coco_detection_yolo_format_val返回的DataLoader提取dataset，或直接实例化对应的验证集Dataset类，再合并创建DataLoader。

这样修改后，既保留了每个数据集的独立状态（方便后续新增/移除数据集），又能让trainer正常接收DataLoader进行训练。

内容的提问来源于stack exchange，提问作者Jonathan Molina