Matterport版Mask RCNN train_shapes教程配置后无法启动训练求助

解答 #

1. 训练长时间未启动的原因 #

核心原因有两点：

• 配置项GPU_COUNT=1但当前运行环境无GPU，TensorFlow在初始化阶段会持续检索GPU设备，导致进程阻塞。
• Matterport Mask RCNN默认启用多进程数据加载，虚拟机环境下多进程通信容易出现死锁，同时你选择了ResNet101作为骨干网络，纯CPU计算该模型的前向/反向传播效率极低，首次迭代的计算耗时会被拉长到数小时甚至更久。

2. 配置参数存在的错误 #

• GPU_COUNT参数与实际硬件不匹配，无GPU环境下该值应设为0。
• 针对128*128的小尺寸输入，ResNet101骨干网络过于冗余，完全没有必要，反而会大幅增加计算量。
• 优化器参数使用了已废弃的lr字段，会触发警告，虽不直接导致阻塞但存在版本兼容风险。

3. 当前系统配置是否满足训练要求 #

shapes是极小的测试数据集，当前12核CPU、25G内存的配置完全可以满足训练需求，只是需要调整模型参数和运行配置。

4. 实现流程的问题 #

基础流程（导入修复、TF2适配、COCO权重初始化训练头部）没有问题，但缺少了针对无GPU环境的适配调整，且骨干网络选型不合理。

5. 具体修改方案 #

1. 修改配置项：将GPU_COUNT改为0，BACKBONE改为resnet50，可大幅降低计算量。
2. 调用model.train()时，将workers参数设为1，use_multiprocessing设为False，关闭多进程数据加载，避免虚拟机环境下的死锁问题。
3. 替换优化器中的lr参数为learning_rate，消除版本兼容警告。
4. 先将STEPS_PER_EPOCH改为1做测试，验证单步迭代可以正常运行后再调整为目标值。
5. 可额外添加数据生成器的调试逻辑，单独运行一次数据生成代码，确认训练数据可以正常输出，排除数据管道阻塞的可能。

内容的提问来源于stack exchange，提问作者Vinit Sutar