为YOLOv7目标检测模型添加新类别后检测失效问题排查

一、数据集YAML配置问题 #

从你提供的YAML文件截图出发，重点核查以下细节：

• 类别数量与名称一致性：确认nc（总类别数）是否等于原有类别数+新增类别数，names列表的类别名称顺序、数量必须和标注文件中的类别ID严格对应。比如基于COCO 80类新增1类，nc要设为81，names末尾需添加新类别，且标注文件中新类别的ID必须为80（从0开始计数）。
• 数据集路径有效性：检查train、val、test对应的路径是否准确，无论相对/绝对路径，都要保证能正常读取到图片和标注文件。
• 标注格式合规性：YOLO要求标注为类别ID 中心点x 中心点y 宽度 高度的归一化格式，新增类别的标注必须符合该规范，不能出现类别ID超出nc-1的情况。

二、迁移学习权重与冻结逻辑问题 #

• 预训练权重适配性：确保加载的是YOLOv7官方对应尺寸的完整预训练权重（如yolov7.pt、yolov7x.pt），而非自定义截断或任务特定的权重。
• Backbone冻结有效性：从代码截图检查冻结层的范围是否合理——YOLOv7的Backbone通常为前若干层，若冻结范围过大，会导致头部网络无法学习新类别特征；也可在训练前打印模型参数的requires_grad状态，确认Backbone层参数确实被冻结。

三、训练参数设置问题 #

• 学习率调整：冻结Backbone后仅训练头部网络，需将学习率调至1e-4~1e-5区间，避免高学习率破坏头部网络的特征适配能力。
• 训练轮次与批次：新增类别需足够轮次让模型适配，若训练轮次过少会导致特征学习不充分；同时根据显存调整batch-size，必要时启用accumulate参数累积梯度，保证梯度稳定性。

四、数据集质量问题 #

• 新增类别样本量：若新增类别的样本数仅几十张，模型难以学习有效特征，建议至少收集数百张标注准确的样本，或通过翻转、裁剪、亮度调整等数据增强手段扩充数据集。
• 标注准确性：排查新增类别的标注是否存在漏标、错标、标注框严重偏离目标的情况，错误标注会引导模型学习无效特征，直接导致检测失效。

五、推理阶段配置问题 #

• 权重路径正确性：推理时需加载训练生成的权重文件（如runs/train/exp/weights/best.pt），而非初始预训练权重。
• 类别配置一致性：推理脚本中的类别数量、名称必须与训练时的YAML文件完全一致，避免因类别不匹配过滤掉有效检测结果。

内容的提问来源于stack exchange，提问作者HAO TEE