我遵循本教程训练了用于实例分割的pytorch模型：https://pytorch.org/tutorials/intermediate/torchvision_tutorial.html
我不想在完全不同的数据和类上训练一个与COCO完全无关的模型。我需要做哪些更改来重新培训模型。根据我的阅读，我猜除了有正确的课程数量外，我只需要训练这条线：
model = torchvision.models.detection.maskrcnn_resnet50_fpn(pretrained=True)
至
model = torchvision.models.detection.maskrcnn_resnet50_fpn(pretrained=False)
但我注意到还有另一个参数：pretrained_backbone=True, trainable_backbone_layers=None也应该更改吗？
函数签名是
torchvision.models.detection.maskrcnn_resnet50_fpn(pretrained=False, progress=True, num_classes=91, pretrained_backbone=True, trainable_backbone_layers=3, **kwargs)
设置pretrained=False将告诉PyTorch不要下载在COCO train2017上预先训练的模型。你想要它是因为你对训练感兴趣。
通常，如果您想在不同的数据集上进行训练，这就足够了。
当您设置pretrained=False时，PyTorch将在ImageNet上下载预训练的ResNet50。默认情况下，它将冻结名为conv1和layer1的前两个块。这就是Faster R-CNN论文中的方法，该论文冻结了预训练主干的初始层。
(只需打印模型以检查其结构(。
layers_to_train = ['layer4', 'layer3', 'layer2', 'layer1', 'conv1'][:trainable_layers]
现在，如果您甚至不希望前两层冻结，可以设置trainable_backbone_layers=5(在设置pretrained_backbone=False时自动完成(，这将从头开始训练整个resnet主干。
检查PR#2160。
来自maskrcnn_resnet50_fpn文档：
- 预训练(bool(–如果为True，则返回在COCO train2017上预训练的模型
- pretrained_b主干(bool(–如果为True，则返回在Imagenet上预训练主干的模型
- trainable_backbone_layers(int(–从最终块开始的可训练(未冻结(resnet层的数量。有效值介于0和5之间，其中5表示所有主干层都是可训练的
因此，使用进行从头开始的训练
model = torchvision.models.detection.maskrcnn_resnet50_fpn(pretrained=False, pretrained_backbone=False, trainable_backbone_layers=5, num_classes=your_num_classes)
或：
model = torchvision.models.detection.maskrcnn_resnet50_fpn(pretrained=False, pretrained_backbone=False, num_classes=your_num_classes)
因为在maskrcnn_resnet50_fpn的源代码中：
if not (pretrained or pretrained_backbone):
trainable_backbone_layers = 5