【bug】ssd-master使用自己训练的权重模型重新训练

解决思路

由于我想是使用自己训练好的模型增加轮数继续训练，开始我将代码指向模型的地方在model_zoo.py中

    if model_dir is None:
        """
        如果model_dir没有指定（即None），则尝试寻找模型目录。
        首先检查环境变量TORCH_HOME，如果没有设置，则默认使用~/.torch。
        接着检查环境变量TORCH_MODEL_ZOO，如果没有设置，则默认使用TORCH_HOME（或默认的~/.torch）下的models目录作为模型目录。
        """
        torch_home = os.path.expanduser(os.getenv("TORCH_HOME", "~/.torch"))
        model_dir = os.getenv("TORCH_MODEL_ZOO", os.path.join(torch_home, "models"))
    if not os.path.exists(model_dir):
        os.makedirs(model_dir)
    parts = urlparse(url)
    filename = os.path.basename(parts.path)
    if filename == "model_final.pkl":
        # workaround as pre-trained Caffe2 models from Detectron have all the same filename
        # so make the full path the filename by replacing / with _
        filename = parts.path.replace("/", "_")
    cached_file = os.path.join(model_dir, filename)

可以自己修改，我没有修改，我将模型训练好的名称model_final.pth改为vgg16_reducedfc.pth放到了C:\Users\Administrator.torch\models下，并执行train.py文件，但是报错了：RuntimeError: Error(s) in loading state_dict for ModuleList: Missing key(s)

解决问题

在vgg.py中修改load_state_dict函数即可

    def init_from_pretrain(self, state_dict):
        # 调用的load_state_dict方法用预训练的模型参数来初始化自己定义的新网络结构，pytorch中通用的用一个模型的参数初始化另一个模型的层的操作
        # 重要的一个参数strict，默认为True，表示预训练的层和自己定义的网络结构严格对应相等，比如层名和维度
        # self.vgg.load_state_dict(state_dict)
        self.vgg.load_state_dict(state_dict,strict=False)


        # 如果是加载本地下载好的预训练模型，就用torch.load()，再将strict改为False
        # self.vgg.load_state_dict(torch.load(r"C:\Users\Administrator\.torch\models\vgg16_reducedfc.pth"),strict=False)

参考

https://huaweicloud.csdn.net/6380837bdacf622b8df8955d.html