COCO预训练的Darknet权重如何适配不同类别数的输出尺寸？

你提出的两个猜测中，第二个符合Darknet的实际权重加载逻辑，第一个“截断后随机初始化”的猜测不成立，具体规则如下：

• Darknet加载预训练权重时按层顺序逐段匹配读取参数，只会读取和当前配置层参数尺寸匹配的部分，超出尺寸的参数直接丢弃，不会对该层做随机初始化。
• 你修改的3个检测头前置卷积层（138、149、160层）配置为18个卷积核，加载COCO预训练权重时，会直接读取该层在权重文件中存储的前18个卷积核的参数，剩余237个卷积核的参数直接忽略不加载。
• 所有位于修改层之前的特征提取层，参数尺寸和COCO预训练权重完全匹配，会完整加载全部预训练参数，保证迁移学习的特征复用效果。

注意：如果是在自定义数据集上做微调训练，这三层加载的部分预训练参数会在训练过程中被梯度更新，最终会适配你的单类别检测任务，不会出现效果异常。如果是直接修改类别数后就用预训练权重做推理，不推荐这么操作，因为加载的前18个参数对应的是COCO数据集的前几个类别逻辑，和你的自定义废弃物类别不匹配。

内容的提问来源于stack exchange，提问作者esarf