TensorFlow 2 Object Detection API微调模型 handgun类mAP极低问题咨询

1. 标签映射与数据集标注排查 #

• 首先核对label_map.pbtxt的类别顺序和标注时的类别ID是否完全对应，同时确认标注时的类别ID是从1开始计数：TF OD API默认0为背景类别，如果Handgun标注时用了ID 0，或者label_map中两个类别的ID和标注时的ID顺序颠倒，会直接导致Handgun的标注全部被判定为无效或错配到其他类别，这是单类别AP极低最常见的原因。
• 抽取10-20张包含Handgun的训练/验证集样本，直接解析TFRecord文件检查标注框坐标、类别是否正确：Roboflow导出TFRecord时如果类别映射配置错误，会出现Handgun的标注全部被设为背景或者Knife类别的情况。
• 确认数据集中Handgun的标注框没有出现大面积截断、标注框偏离目标超过10%的情况，同时统计验证集中Handgun的样本占比是否和训练集一致，避免验证集Handgun样本过少或者全是极端难例。

2. 锚框适配性排查 #

• 当前配置的多尺度锚框宽高比只有1.0、2.0、0.5三种：如果你的数据集中Handgun的宽高比和Knife差异较大，比如多数手枪宽高比集中在1.2-1.8或者0.6-0.8区间，可以用脚本统计所有Handgun标注框的宽高比分布，把占比前三的宽高比加入anchor_generator的aspect_ratios配置项中。
• 统计Handgun的标注框归一化到640x640输入后的像素尺寸，如果大部分Handgun的尺寸小于32x32或者大于512x512，可以调整anchor_generator的anchor_scale参数，或者调整FPN的min_level/max_level范围，让对应尺度的特征层负责检测Handgun。

3. 训练配置排查 #

• 当前分类损失使用的加权sigmoid focal loss的alpha设为0.25：如果单张图中Handgun的标注数量远少于Knife，可以给Handgun设置更高的分类损失权重，或者把alpha调整为0.75左右提升对Handgun类别的关注度。
• 当前随机裁剪的min_area参数设为0.75，意味着裁剪后保留的面积最少是原图的75%：如果数据集中Handgun多处于图像边缘，裁剪操作会直接把Handgun裁出图像但标注保留，相当于给模型输入大量标注和图像不匹配的脏数据，可以把min_area调低到0.2，或者新增random_pad_image的数据增强策略，避免边缘目标被裁掉。
• 当前初始学习率0.04对于微调任务来说过高，可能导致预训练骨干网络的有效特征被破坏，可以先把learning_rate_base调低到0.001-0.004区间，或者先冻结骨干网络只训练检测头2000步，观察Handgun的AP是否有明显上升。

4. 评估逻辑排查 #

• 导出模型后手动推理几张带Handgun的验证图，确认模型是否能正常检出Handgun：如果可以检出但置信度普遍偏低，检查评估逻辑是否有额外设置高于实际输出的置信度过滤阈值。
• 确认评估时加载的label_map.pbtxt和训练时使用的完全一致，没有出现路径错误加载了旧版本标签映射的情况。

内容的提问来源于stack exchange，提问作者F.M.