如何为ssd_mobilenet_v1_coco_2017_11_17模型新增类别并保留原有检测能力？

嘿，这个问题我之前帮不少开发者踩过坑，核心原因就是你训练时大概率是直接替换了原有类别而非新增，导致模型把COCO原有的90类特征给“覆盖遗忘”了。要让模型同时兼顾新旧目标，得用「增量微调」的思路，具体步骤拆解给你：

简单说就是：基于COCO预训练的SSD MobileNet模型，只修改最后一层分类/回归头，用「原有90类+自定义类」的混合数据集训练，让模型在保留原有识别能力的基础上，学会新目标。

1. 准备混合数据集 #

• 把COCO原始90类数据集和你的自定义目标数据集合并，统一用TFRecord格式（和TensorFlow Detection API最兼容）。
• 敲黑板：类别ID绝对不能覆盖！原有COCO类的ID是0-89，你的自定义类从90开始递增（比如加1类就是90，加2类就是90、91）。
• 标签映射文件（label_map.pbtxt）要包含所有类别，比如：

  item {
    id: 0
    name: 'person'
  }
  # ... 中间省略88个COCO类 ...
  item {
    id: 89
    name: 'toothbrush'
  }
  item {
    id: 90
    name: '你的自定义类名称'
  }
  

2. 修改模型配置文件（*.config） #

这是最关键的一步，不能直接用原版COCO配置，要调整这些参数：

• num_classes：改成90 + 自定义类数量（比如加1类就设为91）。
• fine_tune_checkpoint：指向你下载的ssd_mobilenet_v1_coco_2017_11_17/model.ckpt，确保用预训练权重初始化。
• fine_tune_checkpoint_type：设为detection，明确是微调检测模型。
• train_config.from_detection_checkpoint：设为true。
• 冻结层策略：为了保住原有COCO类的识别能力，只冻结前面的特征提取层，让后面的分类/回归头适配新类别。在train_config里加：

  freeze_variables: ["FeatureExtractor"]
  

• label_map_path：指向你刚做的混合标签映射文件。

3. 调整训练策略 #

• 学习率：增量微调不能用太高的学习率，不然会冲掉原有模型的特征，建议设为1e-4或1e-5（比从头训练低一个数量级）。
• 训练步数：不需要像从头训练那么多，先跑20000步看看效果，再根据验证集调整。重点是让模型“适应”新类别，同时不丢旧能力。
• 验证集也要混合：验证集必须包含原有COCO类和自定义类的样本，这样才能监控两类目标的检测效果。

4. 避坑提醒 #

• 别乱改原有类别ID：很多人会把自定义类设为0，覆盖person类，直接导致模型完全遗忘原有类别，这是最常见的错误！
• 别从头训练：从头训练会让模型彻底丢失COCO预训练的特征，必须用预训练checkpoint初始化。
• 数据集要均衡：如果自定义类样本太少，模型会偏向原有类；反之则偏向新类。可以用数据增强（比如翻转、裁剪）弥补样本少的类别。

按照这个流程走，训练出来的模型就能同时识别COCO原90类和你的自定义目标啦~如果某类检测效果不好，针对性调整样本数量或微调学习率就行。

内容的提问来源于stack exchange，提问作者zakib