使用TensorFlow 2目标检测API微调模型时哪些层会被冻结？

核心结论 #

restored（恢复）完全不等同于Frozen（冻结），二者是训练流程中完全不同阶段的操作：

• restored是模型训练前的初始化阶段操作：指从你指定的fine_tune_checkpoint预训练权重文件中读取对应层的参数值，替代随机初始化的默认逻辑
• Frozen是模型训练阶段的操作：指定某部分层的参数不参与梯度更新，训练全程保持初始值不变

对应配置项释义 #

你查阅到的fine_tune_checkpoint_type: detection配置说明翻译及解读如下：

// 2. "detection"：恢复完整的特征提取器。完整检测模型中唯一不会被恢复的部分是框预测头和类别预测头。该选项通常用于你想要使用预训练检测模型，在需要不同框和类别预测头的新数据集或新任务上训练的场景。

该配置对应的参数加载逻辑：

• 所有特征提取相关层（包括Backbone、FPN等Neck结构）都会加载预训练检测模型的权重完成初始化
• 最终的预测输出层（框回归头、分类头）不会加载预训练权重，走随机初始化逻辑

补充说明 #

该配置仅控制权重初始化逻辑，不会自动冻结任何层。如果你需要冻结已加载权重的特征提取器，仅训练预测头，需要额外添加freeze_variables配置，传入要冻结层的名称正则表达式即可，比如冻结整个特征提取器可以配置freeze_variables: 'feature_extractor'。

• 数据集规模较小时，建议冻结特征提取器，避免预训练权重被破坏导致过拟合
• 数据集规模足够时，可以不冻结层，让特征提取器适配你的数据集特征，通常能获得更好的检测效果

内容的提问来源于stack exchange，提问作者F.M.