Python 为了从头开始训练pytorch模型，我需要更改哪些参数？

我按照本教程培训了一个pytorch模型，用于实例分割：

我不想在完全不同的数据和类别上训练一个模型，这与COCO完全无关。我需要做哪些更改来重新培训模型。根据我的阅读，我猜除了有正确数量的课程外，我只需要训练这一行：

model = torchvision.models.detection.maskrcnn_resnet50_fpn(pretrained=True)

到

---

但是我注意到还有另外一个参数：

pretrained\u backbone=True，trainiable\u backbone\u layers=None

它们是否也应该更改？

来自

maskrcnn\u resnet50\u fpn

：

• 预培训（bool）-如果为真，则返回在COCO train2017上预培训的模型
• 预训练主干（bool）–如果为真，则返回在Imagenet上预训练主干的模型
• 可训练主干层（int）–从最终块开始的可训练（非冻结）resnet层的数量。有效值介于0和5之间，5表示所有主干层都是可训练的

因此，对于从头开始的培训，请使用：

model = torchvision.models.detection.maskrcnn_resnet50_fpn(pretrained=False, pretrained_backbone=False, trainable_backbone_layers=5, num_classes=your_num_classes)

或：

因为在源代码中：

---

函数签名是

torchvision.models.detection.maskrcnn\u resnet50\u fpn（预训练=假，进度=真，数量=91，预训练主干=真，可训练主干层=3，**kwargs）

设置

pretrained=False

将告诉PyTorch不要下载在COCO train2017上预先培训过的车型。你想要它，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pretrained ResNet50。默认情况下，它将冻结名为

conv1

和

layer1

的前两个块。这是如何在更快的R-CNN论文中完成的，该论文对预训练主干的初始层进行了冻结

（只需打印模型以检查其结构）

现在，如果您甚至不想冻结前两层，您可以设置

可训练的主干\u层=5

（在设置

预训练的主干=False

时自动完成），这将从头开始训练整个resnet主干

检查

model = torchvision.models.detection.maskrcnn_resnet50_fpn(pretrained=False, pretrained_backbone=False, trainable_backbone_layers=5, num_classes=your_num_classes)

model = torchvision.models.detection.maskrcnn_resnet50_fpn(pretrained=False, pretrained_backbone=False, num_classes=your_num_classes)

if not (pretrained or pretrained_backbone):
    trainable_backbone_layers = 5

layers_to_train = ['layer4', 'layer3', 'layer2', 'layer1', 'conv1'][:trainable_layers]