在Mask RCNN中使用Class_weights处理不平衡数据集遇报错

错误根源 #

报错提示Unknown entries in class_weight dictionary: [0,1,...15]. Only expected following keys: []，本质是模型的分类层未正确关联你的自定义类别，导致Keras无法识别你传入的类别ID键，认为预期的类别集合为空。

分步解决方案 #

1. 检查数据集Config的类别配置

Mask RCNN依赖自定义Config类定义数据集参数，必须确保：

• NUM_CLASSES设置正确：自定义类别数 + 1（背景类默认是ID 0）。比如你有15个自定义类别，需设置NUM_CLASSES = 16。
• 类别ID从1开始连续编号，背景固定为0，和Config的NUM_CLASSES对应。

2. 修正Class_Weights的键覆盖范围

Keras的class_weight要求键对应模型分类层的所有类别索引（从0到NUM_CLASSES-1）：

• 背景类（ID 0）可设置权重为1.0（无需加权），自定义类别按你的样本数设置权重：

  CLASS_WEIGHTS = {0:1.0, 1:600, 2:10, 3:5, ..., 15:xx}
  

• 不要用列表/数组替代字典，除非你的类别索引是连续从0开始且长度等于NUM_CLASSES，否则会匹配失败。

3. 确认class_weight的传递路径

你在model.py的train函数新增了class_weight参数，必须确保该参数最终传递到Keras底层训练接口：

• 找到train函数中调用model.fit()或model.train_on_batch()的代码，将class_weight参数传入这些方法，比如：

  # 在model.py的训练循环中
  loss = model.train_on_batch(
      inputs, outputs,
      class_weight=class_weight,  # 确保传入这里
      reset_metrics=False
  )
  

• 如果只是在train函数中新增参数但未传递到Keras训练方法，等于无效传递，还会因模型未识别类别触发报错。

4. 验证模型分类层的正确性

打印模型分类层的输出形状，确认类别数匹配Config设置：

# 查看mrcnn分类层的输出形状
print(model.get_layer('mrcnn_class_logits').output_shape)

输出应为(None, None, NUM_CLASSES)，比如(None, None, 16)对应15个自定义类别+背景。如果输出的类别数不对，说明模型用了默认Config（比如COCO的81类），需重新基于自定义Config构建模型。

5. 避坑提醒

• 自定义类别ID必须连续，不能跳号（比如不要出现1、3、4这种情况），否则模型分类层的索引和你的类别ID无法对齐。
• 训练前确保模型是基于你的自定义Config重新初始化的，而非复用预训练模型的默认Config。

内容的提问来源于stack exchange，提问作者Tima