运行EfficientDet加载模型时出现state_dict参数shape不匹配错误如何解决？

该报错是分类头权重形状不匹配导致的，核心问题如下：

• 配置修改顺序错误：你在实例化EfficientDet模型之后才修改config的num_classes、image_size参数，模型初始化时用的仍是默认90类的配置，默认配置下分类头的输出通道为 90类 × 9个锚框 = 810，和 checkpoint 中1类训练得到的9通道分类头权重形状完全不匹配。
• 部分版本的EfficientDet实现中，HeadNet的num_outputs参数需要手动传入类别数×锚框数的总通道数，若直接传入num_classes=1也可能导致输出通道数不符合预期。

方法1：调整配置修改顺序（优先推荐） #

调整load_net函数的参数修改顺序，先改配置再实例化模型，从根源对齐形状：

def load_net(checkpoint_path):
    config = get_efficientdet_config('tf_efficientdet_d5')
    # 先修改配置参数，再实例化模型
    config.num_classes = 1
    config.image_size = 512
    net = EfficientDet(config, pretrained_backbone=False)

    net.class_net = HeadNet(config, 
        num_outputs=config.num_classes,
        norm_kwargs=dict(eps=.001, momentum=.01))

    checkpoint = torch.load(checkpoint_path)
    net.load_state_dict(checkpoint['model_state_dict'])

    del checkpoint
    gc.collect()

    net = DetBenchEval(net, config)
    net.eval()
    return net.cuda()

方法2：加载权重时关闭严格匹配 #

如果调整顺序后仍有少量层不匹配（比如自定义层和checkpoint层命名差异），可以在load_state_dict时添加strict=False参数，自动跳过形状不匹配的层，仅加载匹配的骨干网络、特征融合网络权重：

net.load_state_dict(checkpoint['model_state_dict'], strict=False)

方法3：手动对齐分类头输出通道 #

如果你的HeadNet实现不会自动计算锚框倍数，手动传入总输出通道数即可：

# EfficientDet默认单锚点锚框数为9，总输出通道=类别数 × 锚框数
net.class_net = HeadNet(config, 
    num_outputs=config.num_classes * 9,
    norm_kwargs=dict(eps=.001, momentum=.01))

内容的提问来源于stack exchange，提问作者Ni7san