DETR人脸检测模型运行出现generalized_box_iou断言错误求助

• 核对数据集标注
  即便用了同款JSON，也手动抽查几个样本的bbox标注：必须保证每个标注的x2 >= x1且y2 >= y1。有些时候JSON会有隐性格式问题（比如标注工具导出的精度误差、坐标顺序搞反），可以写个小脚本遍历数据集，找出不符合要求的标注并修正。
• 检查数据加载逻辑
  排查自定义数据集类的代码，确认读取bbox后没有错误的坐标转换操作。比如把[xywh]转[xyxy]时，是不是误算成x2 = x1 - w这类反逻辑，或者归一化时除以了0导致NaN。
• 临时修复模型输出的异常框
  DETR的预测框由模型头输出后转换而来，在box_ops.py的generalized_box_iou函数断言前，加几行代码修正异常坐标：

  # 假设坐标是归一化到[0,1]区间的，先 clamp 再修正边界
  boxes1 = torch.clamp(boxes1, min=0, max=1)
  boxes1[:, 2:] = torch.max(boxes1[:, 2:], boxes1[:, :2])
  

  这只是临时 workaround，核心还是要找到数值异常的根源。
• 核对训练参数初始化
  确保模型初始化、学习率、优化器参数和教程完全一致。如果学习率过高，模型会出现梯度爆炸，直接导致输出NaN或异常框坐标。可以先把学习率调低（比如从1e-4降到1e-5），跑几个epoch试试是否还出问题。
• 排查数据增强操作
  如果用了自定义数据增强，检查是否有操作会搞乱bbox坐标（比如随机裁剪时没正确调整bbox，导致裁剪后x2 < x1）。可以先关掉所有数据增强，跑验证集看是否还触发断言错误，再逐个恢复增强操作定位问题。

内容的提问来源于stack exchange，提问作者Aleena Rayamajhi