TensorFlow Object Detection API多类训练仅单类生效问题咨询

我之前在做多类别目标检测微调时也碰到过一模一样的情况，尤其是SSD系列模型，这种单类别“霸占”训练的问题大多是数据集或训练配置的细节没做到位，不一定是API本身有特殊流程要遵循。下面是我踩过的坑和对应的排查方向：

一、先排查数据集的核心问题 #

• 类别标签的一致性：务必确保所有标注文件（不管是XML、JSON还是生成的TFRecord）里的类别名称/ID完全统一。比如你有“拿铁”“美式”“摩卡”三类，不能有的标注写“latte”有的写“拿铁”，也不能类别ID对应混乱——我之前就是重建数据集时把ID映射写错，导致模型只认ID=0的类别。另外要检查TFRecord生成脚本，确认所有类别都被正确映射，没有遗漏。
• 样本分布的均衡性：统计每个类别的样本数量，看看是不是某类样本量远超其他类（比如某类有1000张，其他类只有几十张）。这种情况下模型会天然偏向样本多的类别，解决方法要么补充小众类样本，要么用随机裁剪、翻转、亮度调整等数据增强扩充，或者在训练配置里设置class_weights参数，给小众类更高的权重。
• 标注质量的有效性：检查其他类的标注是否存在问题，比如标注框完全超出图像、类别标注错误，甚至部分类的标注文件缺失。可以写个小脚本遍历所有标注，统计每个类的标注框数量，再可视化一些样本确认标注的准确性。

二、检查训练配置的关键参数 #

• 输出层类别数设置：SSD Inception v2默认是针对COCO/VOC数据集的类别数，微调时必须修改最后一层锚框分类器的数量为「你的类别数+1（背景类）」。比如你有3个饮品类别，就应该设置成4类。如果这里没改，模型只能输出默认类别数，其他类自然学不到。
• 训练参数的合理性：试试降低初始学习率（比如从0.001调到0.0001），高学习率会让模型快速收敛到样本多的类别，忽略其他类。另外确认训练步数是否足够，如果总步数太少，模型还没来得及学习其他类就停止了。
• 锚框的适配性：SSD的锚框是针对特定目标尺寸和比例设计的，如果你的饮品目标和默认锚框差距大，可能导致某些类的目标匹配不到合适锚框，模型就学不到。可以统计数据集里目标的宽高比，然后调整配置文件中anchor_generator的参数，设置适合你数据的锚框尺寸和比例。

三、API使用的细节注意 #

• 预训练模型的正确加载：如果用TensorFlow Object Detection API，要确保配置文件里fine_tune_checkpoint指向预训练模型的ckpt文件，from_detection_checkpoint设为True，fine_tune_checkpoint_type设为"detection"或"classification"。加载错预训练模型会导致初始化异常，影响多类别训练。
• 训练脚本的参数传递：比如用model_main_tf2.py训练时，要正确指定pipeline_config_path，别不小心用了默认的VOC/COCO配置，那类别数肯定不对。同时确认num_train_steps和num_eval_steps设置合理。

先从数据集的标签、分布、标注入手排查，这是最容易出问题的环节，再逐步检查配置和参数，应该就能解决问题。

内容的提问来源于stack exchange，提问作者saikishor