如何在yolov7-seg.pt中新增自定义类别且不重训原有80类？

核心思路 #

不重训原有80类，只练新增类别A，关键是冻结原有所有层的权重，仅解冻最后输出层的参数，同时修改配置适配81类的分割模型结构（分割任务的输出层和纯检测模型不一样，要注意掩码通道的计算）。

具体操作步骤 #

1. 修改数据集配置 #

• 找到data/coco.yaml（或自定义数据集配置文件），将nc（总类别数）改为81；
• 在names列表末尾添加自定义类别A，顺序必须是原有80类+新增的A；
• 将train、val路径指向你已划分好的类别A的训练/验证集。

2. 修改模型配置 #

• 打开cfg/training/yolov7-seg.yaml，将头部的nc参数改为81；
• 定位所有YOLO输出层，更新filters参数：公式为(nc + 5 + 32)，原80类时为80+5+32=117，现在改为81+5+32=118，三个YOLO层的filters都要修改。（注：32是分割任务的掩码通道数，纯检测模型无此参数，这也是之前用YOLOv5方法失败的核心原因）

3. 精准冻结权重 #

• 加载预训练的yolov7-seg.pt后，仅让最后三个YOLO输出层的参数可训练：
  • 打开train.py，找到模型初始化代码段，遍历所有参数并默认设置requires_grad=False，再单独将三个YOLO层的参数设为requires_grad=True；
  • 不建议用命令行--freeze参数，易冻错层，代码精准控制更稳妥。

4. 调整训练参数 #

• 学习率设为原训练值的1.5-2倍，比如原lr0=0.01，可设为0.015-0.02，仅训练少数参数需要稍高学习率；
• 训练轮次无需过多，根据数据集大小设置100-300轮即可，重点关注验证集上类别A的mAP和分割掩码效果；
• 你的数据集仅包含类别A，训练时损失仅针对该类别样本，不会扰动原有80类权重。

5. 验证效果 #

• 训练完成后，用包含原有80类和类别A的样本测试，确认原有类别检测/分割效果无下降，同时类别A效果达标；
• 若原有类别效果下降，检查是否存在未冻结的参数，或降低学习率重新训练。

踩坑排查 #

• 训练损失不下降：检查所有YOLO层的filters是否都改为118，输出层参数是否真的解冻；
• 原有类别失效：确认数据集和模型配置的nc、names完全对应，冻结代码是否覆盖所有非输出层；
• 分割掩码异常：确认掩码通道数计算正确，损失函数是否适配新增类别。

内容的提问来源于stack exchange，提问作者Yusuf