TensorFlow目标检测无法识别自定义对象（训练损失<1.0仍无效）

我之前也碰到过类似的情况——损失看起来降得很正常，但模型就是完全输出不了检测框，连训练样本都识别不出来。结合你的设置，咱们一步步排查：

1. 先确认模型导出环节没有出错 #

训练完的ckpt文件不能直接用来推理，必须导出成冻结的推理图。你要检查：

• 是不是用了官方的export_inference_graph.py脚本？参数有没有配对：

  python export_inference_graph.py \
    --input_type image_tensor \
    --pipeline_config_path path/to/your/pipeline.config \
    --trained_checkpoint_prefix path/to/model.ckpt-1000 \
    --output_directory path/to/exported_model
  

• 导出的文件夹里有没有生成frozen_inference_graph.pb？如果这个文件缺失或者大小异常（比如只有几KB），那导出肯定出问题了。

2. 彻底验证标注数据的准确性 #

虽然你手动标注了两次，但还是有可能出现隐性错误：

• 用标注工具（比如labelImg）重新打开几张训练/测试图，确认标注框完全覆盖目标，没有偏移或超出图像范围。
• 检查标注文件（XML/CSV）里的坐标：如果用的是相对坐标，要确保xmin/xmax/ymin/ymax在0~1之间；如果是像素坐标，要和图像实际尺寸匹配。
• 核对label_map.pbtxt：里面的类别ID是不是1？名称是不是和标注文件里的完全一致？比如：

  item {
    id: 1
    name: 'your_class_name'
  }
  

• 用TFRecord查看工具（比如官方的tfrecord_viewer.py）检查生成的TFRecord文件，确认图像和对应的标注框都正确加载，没有损坏或错位。

3. 排查配置文件的关键参数 #

你的配置只改了image_resizer，但还有几个点要确认：

• num_classes是不是设为1了？这个参数在model和train_config里都要对应。
• fine_tune_checkpoint是不是指向正确的SSD MobileNet v1预训练模型？from_detection_checkpoint有没有设为true？如果没开这个，模型相当于从头训练，1000次迭代远远不够。
• 你的图像尺寸是425x300~450x300，用fixed_shape_resizer强制拉伸到450x300会改变原宽高比，可能让模型学不到正确的特征。建议换成keep_aspect_ratio_resizer试试：

  image_resizer {
    keep_aspect_ratio_resizer {
      min_dimension: 300
      max_dimension: 450
    }
  }
  

4. 分析损失下降的真实性 #

损失从14降到0.7不代表模型真的学到了东西，要深入看细节：

• 打开TensorBoard，查看classification_loss和localization_loss的变化：如果只有分类损失下降，定位损失几乎不动，说明模型只会识别“背景”，根本没学会定位目标。
• 查看训练/评估的precision、recall指标：如果这些指标一直是0，那模型完全没学到有效特征，损失下降可能是过拟合到了背景样本。

5. 调整推理时的参数设置 #

有时候模型能输出框，但因为阈值太高被过滤了：

• 推理时把score_threshold调低到0.1甚至0.05试试，比如在检测脚本里：

  detection_boxes, detection_scores, detection_classes = sess.run(
      [boxes, scores, classes],
      feed_dict={image_tensor: image_np_expanded})
  # 过滤分数低于阈值的结果
  valid_indices = np.where(detection_scores[0] > 0.1)[0]
  

• 确认推理时的图像预处理和训练一致：比如SSD模型通常需要把像素值归一化到[-1,1]，如果推理时直接用0~255的像素值，模型会无法识别。

6. 考虑训练迭代次数和数据增强 #

• 1000次迭代对于SSD MobileNet来说可能太少，尤其是微调预训练模型时，建议训练到5000~10000次，观察损失和检测效果的变化。
• 如果配置里开了激进的数据增强（比如随机大裁剪、翻转），可以暂时关闭，先让模型学到基础特征，再逐步加入增强。

内容的提问来源于stack exchange，提问作者Sai Kumar