如何为TensorFlow默认目标检测模型新增检测对象？

我之前正好做过TensorFlow目标检测模型的类别扩展工作，知道在默认90类（COCO数据集）基础上新增检测对象要注意不少细节，不像单纯训练新模型那么简单。下面给你梳理一下核心步骤：

1. 准备整合后的数据集 #

• 必须把原有COCO 90类的标注数据和你新增类的标注数据整合到一起。新增类的标注格式要符合TensorFlow目标检测API要求（常用Pascal VOC XML或TFRecord格式），如果是自己用LabelImg、LabelMe这类工具标注的，要转换成TFRecord格式。
• 给新增类分配不重复的类别ID：COCO的类别ID是1-90，你可以从91开始依次分配。同时要更新标签映射文件（比如label_map.pbtxt），把新增类的信息加进去，格式示例：

  item {
    id: 91
    name: 'custom_class_1'
  }
  item {
    id: 92
    name: 'custom_class_2'
  }
  

2. 修改模型配置文件 #

找到你选用的预训练模型（比如SSD MobileNet v2、Faster R-CNN）的配置文件（通常在models/research/object_detection/samples/configs/目录下），重点修改这几个关键部分：

• num_classes：把原来的90改成「90 + 新增类数量」，比如新增3类就写93。
• fine_tune_checkpoint：指向你下载的COCO预训练模型的ckpt文件（比如ssd_mobilenet_v2_coco_2018_03_29/model.ckpt）。
• train_config下的from_detection_checkpoint设为true，这样会加载原有模型的特征提取权重，只重新训练分类相关的上层网络。
• 如果是Faster R-CNN这类两阶段模型，还要修改first_stage_box_predictor和second_stage_box_predictor里的分类输出维度，确保和新的类别数匹配。

3. 采用迁移学习策略训练 #

• 先冻结特征提取网络的所有层，只训练新增的分类分支和相关全连接层，这样既能保留原有模型对90类的特征提取能力，又能快速让模型学习新增类的特征。这一步的学习率建议设小一点，比如1e-4。
• 当新增类的检测精度达到一定水平后，再解冻特征提取网络的后几层（比如最后2-3层），进行微调训练，学习率可以降到1e-5，避免破坏原有模型的权重。

4. 验证扩展后模型的性能 #

• 验证集必须包含原有90类和新增类的样本，用API自带的eval.py脚本评估mAP、召回率等指标，确保新增类能被有效检测的同时，原有类的检测精度不会大幅下滑。
• 可以用tensorboard实时监控训练过程中的损失和验证指标，及时调整训练策略。

5. 导出与部署扩展后的模型 #

• 训练完成后，用export_inference_graph.py脚本导出冻结的推理图（.pb文件），这个模型就能同时识别原有90类和你的新增类了。
• 部署时要确保推理代码加载的是更新后的label_map.pbtxt，否则无法正确映射类别ID到对应的类名称。

• TensorFlow目标检测API官方文档里的「Using Pre-trained Models for Transfer Learning」章节，详细说明了迁移学习的配置和训练流程。
• 官方Models仓库的object_detection目录下，有大量预训练模型的配置示例和数据转换脚本，比如create_pascal_tf_record.py，修改后可以用来处理你的新增类标注数据。
• 可以参考官方提供的迁移学习教程案例，把其中的自定义类别替换成你需要新增的类，就能快速上手。

内容的提问来源于stack exchange，提问作者alyssaeliyah