bubbliiiing / ssd-pytorch Goto Github PK

这是一个ssd-pytorch的源码，可以用于训练自己的模型。

License: MIT License

Python 100.00%

ssd-pytorch's Introduction

SSD：Single-Shot MultiBox Detector目标检测模型在Pytorch当中的实现

Top News

2022-03:进行了大幅度的更新，支持step、cos学习率下降法、支持adam、sgd优化器选择、支持学习率根据batch_size自适应调整、新增图片裁剪。
BiliBili视频中的原仓库地址为：https://github.com/bubbliiiing/ssd-pytorch/tree/bilibili

2021-10:进行了大幅度的更新，增加了mobilenetv2主干的选择、增加大量注释、增加了大量可调整参数、对代码的组成模块进行修改、增加fps、视频预测、批量预测等功能。

性能情况

训练数据集	权值文件名称	测试数据集	输入图片大小	mAP 0.5:0.95	mAP 0.5
VOC07+12	ssd_weights.pth	VOC-Test07	300x300	-	78.55
VOC07+12	mobilenetv2_ssd_weights.pth	VOC-Test07	300x300	-	71.32

所需环境

torch == 1.2.0

文件下载

训练所需的ssd_weights.pth和主干的权值可以在百度云下载。
链接: https://pan.baidu.com/s/1iUVE50oLkzqhtZbUL9el9w
提取码: jgn8

VOC数据集下载地址如下，里面已经包括了训练集、测试集、验证集（与测试集一样），无需再次划分：
链接: https://pan.baidu.com/s/1-1Ej6dayrx3g0iAA88uY5A
提取码: ph32

训练步骤

a、训练VOC07+12数据集

数据集的准备
本文使用VOC格式进行训练，训练前需要下载好VOC07+12的数据集，解压后放在根目录
数据集的处理
修改voc_annotation.py里面的annotation_mode=2，运行voc_annotation.py生成根目录下的2007_train.txt和2007_val.txt。
开始网络训练
train.py的默认参数用于训练VOC数据集，直接运行train.py即可开始训练。
训练结果预测
训练结果预测需要用到两个文件，分别是ssd.py和predict.py。我们首先需要去ssd.py里面修改model_path以及classes_path，这两个参数必须要修改。
model_path指向训练好的权值文件，在logs文件夹里。
classes_path指向检测类别所对应的txt。
完成修改后就可以运行predict.py进行检测了。运行后输入图片路径即可检测。

b、训练自己的数据集

数据集的准备
本文使用VOC格式进行训练，训练前需要自己制作好数据集，
训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。
训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。
数据集的处理
在完成数据集的摆放之后，我们需要利用voc_annotation.py获得训练用的2007_train.txt和2007_val.txt。
修改voc_annotation.py里面的参数。第一次训练可以仅修改classes_path，classes_path用于指向检测类别所对应的txt。
训练自己的数据集时，可以自己建立一个cls_classes.txt，里面写自己所需要区分的类别。
model_data/cls_classes.txt文件内容为：

cat
dog
...

修改voc_annotation.py中的classes_path，使其对应cls_classes.txt，并运行voc_annotation.py。

开始网络训练
训练的参数较多，均在train.py中，大家可以在下载库后仔细看注释，其中最重要的部分依然是train.py里的classes_path。
classes_path用于指向检测类别所对应的txt，这个txt和voc_annotation.py里面的txt一样！训练自己的数据集必须要修改！
修改完classes_path后就可以运行train.py开始训练了，在训练多个epoch后，权值会生成在logs文件夹中。
训练结果预测
训练结果预测需要用到两个文件，分别是ssd.py和predict.py。在ssd.py里面修改model_path以及classes_path。
model_path指向训练好的权值文件，在logs文件夹里。
classes_path指向检测类别所对应的txt。
完成修改后就可以运行predict.py进行检测了。运行后输入图片路径即可检测。

预测步骤

a、使用预训练权重

下载完库后解压，在百度网盘下载，放入model_data，运行predict.py，输入

img/street.jpg

在predict.py里面进行设置可以进行fps测试和video视频检测。

b、使用自己训练的权重

按照训练步骤训练。
在ssd.py文件里面，在如下部分修改model_path和classes_path使其对应训练好的文件；model_path对应logs文件夹下面的权值文件，classes_path是model_path对应分的类。

_defaults = {
    #--------------------------------------------------------------------------#
    #   使用自己训练好的模型进行预测一定要修改model_path和classes_path！
    #   model_path指向logs文件夹下的权值文件，classes_path指向model_data下的txt
    #   如果出现shape不匹配，同时要注意训练时的model_path和classes_path参数的修改
    #--------------------------------------------------------------------------#
    "model_path"        : 'model_data/ssd_weights.pth',
    "classes_path"      : 'model_data/voc_classes.txt',
    #---------------------------------------------------------------------#
    #   用于预测的图像大小，和train时使用同一个即可
    #---------------------------------------------------------------------#
    "input_shape"       : [300, 300],
    #-------------------------------#
    #   主干网络的选择
    #   vgg或者mobilenetv2
    #-------------------------------#
    "backbone"          : "vgg",
    #---------------------------------------------------------------------#
    #   只有得分大于置信度的预测框会被保留下来
    #---------------------------------------------------------------------#
    "confidence"        : 0.5,
    #---------------------------------------------------------------------#
    #   非极大抑制所用到的nms_iou大小
    #---------------------------------------------------------------------#
    "nms_iou"           : 0.45,
    #---------------------------------------------------------------------#
    #   用于指定先验框的大小
    #---------------------------------------------------------------------#
    'anchors_size'      : [30, 60, 111, 162, 213, 264, 315],
    #---------------------------------------------------------------------#
    #   该变量用于控制是否使用letterbox_image对输入图像进行不失真的resize，
    #   在多次测试后，发现关闭letterbox_image直接resize的效果更好
    #---------------------------------------------------------------------#
    "letterbox_image"   : False,
    #-------------------------------#
    #   是否使用Cuda
    #   没有GPU可以设置成False
    #-------------------------------#
    "cuda"              : True,
}

运行predict.py，输入

img/street.jpg

在predict.py里面进行设置可以进行fps测试和video视频检测。

评估步骤

a、评估VOC07+12的测试集

本文使用VOC格式进行评估。VOC07+12已经划分好了测试集，无需利用voc_annotation.py生成ImageSets文件夹下的txt。
在ssd.py里面修改model_path以及classes_path。model_path指向训练好的权值文件，在logs文件夹里。classes_path指向检测类别所对应的txt。
运行get_map.py即可获得评估结果，评估结果会保存在map_out文件夹中。

b、评估自己的数据集

本文使用VOC格式进行评估。
如果在训练前已经运行过voc_annotation.py文件，代码会自动将数据集划分成训练集、验证集和测试集。如果想要修改测试集的比例，可以修改voc_annotation.py文件下的trainval_percent。trainval_percent用于指定(训练集+验证集)与测试集的比例，默认情况下 (训练集+验证集):测试集 = 9:1。train_percent用于指定(训练集+验证集)中训练集与验证集的比例，默认情况下训练集:验证集 = 9:1。
利用voc_annotation.py划分测试集后，前往get_map.py文件修改classes_path，classes_path用于指向检测类别所对应的txt，这个txt和训练时的txt一样。评估自己的数据集必须要修改。
在ssd.py里面修改model_path以及classes_path。model_path指向训练好的权值文件，在logs文件夹里。classes_path指向检测类别所对应的txt。
运行get_map.py即可获得评估结果，评估结果会保存在map_out文件夹中。

Reference

https://github.com/pierluigiferrari/ssd_keras
https://github.com/kuhung/SSD_keras

ssd-pytorch's People

Contributors

Stargazers

Watchers

Forkers

shuangzixing89 longhuiszy banniford gengpengs caesarkathy xu-feng-feng jiaying-lee yangchaofree xuchangzhou re-re-remix william9527wn hustjianghao amazingday1 luzhaohao joahhe searchliu333 liubo629 alex-bd zaruker jz1248 iwanggp c369927234 kevin-liu53 mengxiaolu panyongqi zhn1234 hqwdev zhenshen-mla antonizdp dongsheng-2020 liangrun01 chengyingo liuyu1793 lllovage yangkai-wei xnduig koun-xmw boyob zzugiser vivianchow zjkc2222 boge8888 bobby2090 sofanhe ailearnerli songjunyu burningtyfoon hmtjyqs leewi9 zhangyueone fuxiaodi bblwg2020 jiangzqyw arkizh polaris-f code-hjy nishisky1206 firststeping wangxl12 xiangjun0103 caviarlover yu119176 will-qzq zhimangshi foxlora jth19961209 catherine-tranquil xusiyuan-code labhigh chinadavid1991 zhl6 jiangyuewu kuazhangxiaoai hhhwwwpoi zhanghhong superzhang90 lufei-github townjj mike-rgb xuil0506 renwenlong-github lssttxs yu-n-p 94gy juary88 huangcongqing coulson5495 lujianyao collector-m btlgrm pshysimon jhyscode dandan-chang liuzhaoo mr-kirito 20161209011029 leigge 1peterp peiziming xiaoerjason

ssd-pytorch's Issues

ssd.py里的permute参数里为什么会有4个参数

up你好，想问下在ssd.py里面loc和conf的reshape用的permute()函数的时候为什么tensor有四个维度。各位大佬也请救救我

Traceback (most recent call last): File "train.py", line 107, in <module> out = net(images) File "/home/walker2/anaconda3/envs/pytorch1.2/lib/python3.6/site-packages/torch/nn/modules/module.py", line 547, in __call__ result = self.forward(*input, **kwargs) File "/home/walker2/anaconda3/envs/pytorch1.2/lib/python3.6/site-packages/torch/nn/parallel/data_parallel.py", line 153, in forward return self.gather(outputs, self.output_device) File "/home/walker2/anaconda3/envs/pytorch1.2/lib/python3.6/site-packages/torch/nn/parallel/data_parallel.py", line 165, in gather return gather(outputs, output_device, dim=self.dim) File "/home/walker2/anaconda3/envs/pytorch1.2/lib/python3.6/site-packages/torch/nn/parallel/scatter_gather.py", line 68, in gather res = gather_map(outputs) File "/home/walker2/anaconda3/envs/pytorch1.2/lib/python3.6/site-packages/torch/nn/parallel/scatter_gather.py", line 63, in gather_map return type(out)(map(gather_map, zip(*outputs))) File "/home/walker2/anaconda3/envs/pytorch1.2/lib/python3.6/site-packages/torch/nn/parallel/scatter_gather.py", line 55, in gather_map return Gather.apply(target_device, dim, *outputs) File "/home/walker2/anaconda3/envs/pytorch1.2/lib/python3.6/site-packages/torch/nn/parallel/_functions.py", line 54, in forward assert all(map(lambda i: i.is_cuda, inputs)) AssertionError
在train.py里添加
import os os.environ["CUDA_VISIBLE_DEVICES"] = "0"
使用单卡时训练正常

bug

你好，我在读你的代码的时候，发现了个小问题，可能会造成死循环。

在dataloader文件中的SSDDataset中的__getitem__方法，你用While True应该是想循环找到符合要求的item,但是截图的这部分代码中，如果返回的标签数据y的长度是0的话，由于没有修改index，就会造成死循环。

'steps': [8, 16, 32, 64, 100, 300]这几个数的计算过程

您好，看了您的哔哩哔哩视频讲解之后有一个问题向请教一下。
'feature_maps': [38, 19, 10, 5, 3, 1],
'steps': [8, 16, 32, 64, 100, 300],
就是这个steps的计算过程，按照您的视频讲解是300/8≈３８，前两个数（８，１６）是符合的，但是第三个数３２不符合啊，如果改成３０，那么３００／３０＝１０了？为什么是32而不是30?

map计算及可视化

您好，我在仿写get_dr_txt.py过程中发现检测的结果中有的图像未检测到任何目标，全是背景，所以并不会生成对应的txt，那么get_map.py也会报错，请问您遇到过这个问题么？

不使用预训练权重训练

我直接将加载预训练权重的代码注释了，训练得到的模型计算的mAP指标都非常低，多训练几轮结果也不好，要怎么样训练无预训练的模型

关于预测报错TypeError: forward() missing 1 required positional argument: 'x'

ssd使用mobilenet训练完了预测会有报错，请问如何解决？

大佬，我在运行get_dr_txt时，出现如下问题。所用的图片尺寸为320*320，您看看该怎么解决？谢谢！

Traceback (most recent call last):

File "C:\ssd-pytorch-master\get_dr_txt.py", line 77, in
ssd.detect_image(image_id,image)

File "C:\ssd-pytorch-master\get_dr_txt.py", line 25, in detect_image
preds = self.net(photo)

File "C:\Anaconda3\lib\site-packages\torch\nn\modules\module.py", line 532, in call
result = self.forward(*input, **kwargs)

File "C:\ssd-pytorch-master\nets\ssd.py", line 69, in forward
self.priors

File "C:\ssd-pytorch-master\nets\ssd_layers.py", line 32, in forward
self.num_classes).transpose(2, 1)

RuntimeError: shape '[1, 8732, 2]' is invalid for input of size 19180

大佬好，我想请问下k-means聚类生成的anchor box坐标放到yoloanchor里训练后，为啥map就只有百分之1点几了呢？

请问是坐标的放置问题吗？我是按照一行一行放入的
放入后的yolo_anchors文件内容是：8, 11, 12, 17, 12, 48, 27, 30, 27, 12, 47, 51, 65, 16, 111, 33, 226, 99
acc:69.40%
[[ 6.95440729 10.14634146]
[ 8.21884498 21.98373984]
[ 10.11550152 11.83739837]
[ 13.27659574 17.75609756]
[ 18.3343465 33.82113821]
[ 41.09422492 46.50406504]
[ 47.41641337 15.2195122 ]
[107.47720365 32.97560976]
[226.3343465 99.77235772]]

ValueError: invalid literal for int() with base 10

Traceback (most recent call last):
File "E:/python/Semantic_Segmentation/ssd/voc_annotation.py", line 30, in
convert_annotation(year, image_id, list_file)
File "E:/python/Semantic_Segmentation/ssd/voc_annotation.py", line 20, in convert_annotation
b = (int(xmlbox.find('xmin').text), int(xmlbox.find('ymin').text), int(xmlbox.find('xmax').text), int(xmlbox.find('ymax').text))
ValueError: invalid literal for int() with base 10: '45.70000076293945'

使用VOC2012数据集时报错，不知道引起问题的原因是？

训练自己数据集时，train.py报错？向大佬求助

Loading weights into state dict...
Finished!
Traceback (most recent call last):
File "/data/iiot-data/caixh/ssd-pytorch/train.py", line 108, in
out = net(images)
File "/home/amax/anaconda3/envs/iiot/lib/python3.7/site-packages/torch/nn/modules/module.py", line 532, in call
result = self.forward(*input, **kwargs)
File "/home/amax/anaconda3/envs/iiot/lib/python3.7/site-packages/torch/nn/parallel/data_parallel.py", line 153, in forward
return self.gather(outputs, self.output_device)
File "/home/amax/anaconda3/envs/iiot/lib/python3.7/site-packages/torch/nn/parallel/data_parallel.py", line 165, in gather
return gather(outputs, output_device, dim=self.dim)
File "/home/amax/anaconda3/envs/iiot/lib/python3.7/site-packages/torch/nn/parallel/scatter_gather.py", line 68, in gather
res = gather_map(outputs)
File "/home/amax/anaconda3/envs/iiot/lib/python3.7/site-packages/torch/nn/parallel/scatter_gather.py", line 63, in gather_map
return type(out)(map(gather_map, zip(*outputs)))
File "/home/amax/anaconda3/envs/iiot/lib/python3.7/site-packages/torch/nn/parallel/scatter_gather.py", line 55, in gather_map
return Gather.apply(target_device, dim, *outputs)
File "/home/amax/anaconda3/envs/iiot/lib/python3.7/site-packages/torch/nn/parallel/_functions.py", line 54, in forward
assert all(map(lambda i: i.is_cuda, inputs))
AssertionError
不知道bug如何解决？

训练图片尺寸

训练时除了使用(300，300，3)规格，能不能使用(460, 460, 3)的图片呢？

小小的建议

建议不要将数据集放入仓库，不然容量太大，说实话下载有难度。谢谢

运行train.py报错，提示the number of sizes provided (2) must be greater or equal to

ModuleNotFoundError: No module named 'utils.box_utils'

希望可以给一些提高小目标检测AP和AR的建议

目前在做毕业论文，关于肺结节检测，初步试下来效果一般般，希望能修改或加点东西来提高模型效果，谢谢

大佬，咨询几个问题

SSD和SSdlite 是同一个模型吗，只是主干网络不同？还有SSD300 和 ssdlite320 后面的数字是啥意思

关于train没有问题，predict 报错的解决方案

在ssd.py中第56行 model.load_state_dict(torch.load(self.model_path)) 中的self.model_path直接改为log文件夹下训练好的自己的数据集的权重文件

有个问题，如果我自己训练的话，learning rate以及lr_scheduler如何设置呢

复现之后，mAP达不到那么高

‍博主大神，一直关注你的微博和视频学到现在，我复现了你的SSD—pytorch，训练了VOC2012数据集，但是怎么达不到你的模型效果，什么参数都没改，结果却不理想。Epoch=150,loss=1.4+0.25左右，哪些参数需要调整吗？真诚希望得到你的指导！多谢！‍

MultiBoxLoss 类里面有好几个参数没用到，为什么

self.background_label
self.encode_target
self.use_prior_for_matching
self.do_neg_mining 
self.neg_overlap

为什么训练后predict的结果什么都没有呢？train2007.txt中除了图片路径还有别的内容吗

旋转、镜像来数据增强会有用吗

大佬您好，我想问下对于ssd来说旋转、镜像图片等数据增强方法会有用吗

RuntimeError: Legacy autograd function with non-static forward method is deprecated.

环境问题

torch>=1.3

predict.py会报错

RuntimeError: Legacy autograd function with non-static forward method is deprecated.

在pytorch1.3及以后的版本需要规定forward方法为静态方法，对此修改以下片段就能work
before

if self.phase == "test":
  output = self.detect.forward(
      loc.view(loc.size(0), -1, 4),
      self.softmax(conf.view(conf.size(0), -1, self.num_classes)),
      self.priors              
  )

after

if self.phase == "test":
    output = self.detect.forward(
        loc.view(loc.size(0), -1, 4),
        self.softmax(conf.view(conf.size(0), -1, self.num_classes)),
        self.priors              
    )

关于预测报错

self.priors.type(type(x.data))  # default boxes

TypeError: forward() takes 4 positional arguments but 9 were given

predit.py出错

博主您好，训练自己数据集时，训练没有问题，但使用predit.py文件进行预测时，一张图片上遍满了预测框和类别，请问这个问题该如何解决。

运行train.py下载完权重之后一直就没反应了

昨天准备跑大佬的ssd，但是运行train.py后一直没动静了，换了实验室两台设备都是一模一样，Nvidia AGX 32G的GPU也是无动静，所以我肯定不是设备的原因，跑其余网络没问题，目前就SSD无法训练。

运行predict.py时报错

RuntimeError: Legacy autograd function with non-static forward method is deprecated. Please use new-style autograd function with static forward method.

黑白图不用减掉均值了

如果图片本身就是黑白图的话，就不用减掉均值进行训练了。

你是真的秀

我的数据集好像有问题

运行voc2ssd.py
后得到结果
train and val size 0
traub suze 0
还有就是ground-truth写不进去

get_random_data repeatedly?

Function get_random_data in utils/dataloader and function get_random_data in nets/ssd_training might do data augmentation repeatedly. I think adding parameter "random = False" in nets/ssd_training line 261 will avoid repitition.

关于fit_one_epoch函数

fit_one_epoch 的前两个参数model_train 和model

在train.py 中 model_train = model.train() 我理解为此时model和model_train是同一个东西
但是如果使用多卡，model_train = torch.nn.DataParallel(model) 这时候他们就不一样了吧

训练过程中更新的是model_train的参数，但是最后却保存了model的。不知这样做有什么目的

GPU内存不够

RuntimeError: CUDA out of memory. Tried to allocate 1.62 GiB (GPU 0; 6.00 GiB total capacity; 921.75 MiB already allocated; 3.54 GiB free; 4.25 MiB cached)

需要1.62G，明明有空闲的3.54G，还是报错，Batchsize调到1还是报错，搜了好多博客也没解决，咋回事呀

有关主特征提取VGG16改VGG19报错想请教一下

你好，想请教一个问题，在VGG16主框架下可以正常训练，现在想试着将VGG16改为VGG19，现报错：KeyError: 'vgg.17.weight'
请问有什么建议嘛。谢谢

ssd_weight.pth的作用

自己对网络结构进行了一部分的修改，增加了几层网络。然后报错，请问ssd_weight.pth是什么呢？如果修改网络增加了一些层之后这个权重文件还能使用么？如果不能使用自己如何训练一个ssd_weight.pth呢或者不用这个如何训练

训练好的model可以分享下吗？

预测出错

up，我在预测的是出了这个问题，具体原因是什么呢

预测是报错Error(s) in loading state_dict for SSD:

预测时报错：Error(s) in loading state_dict for SSD:

提供的权重是训练20类的吗

net中的SSD.py里面向前传播时x = self.vgg[k](x)是什么意思呢？

def forward(self, x):
#---------------------------#
# x是300,300,3
#---------------------------#
sources = list()
loc = list()
conf = list()

    #---------------------------#
    #   获得conv4_3的内容
    #   shape为38,38,512
    #---------------------------#
    if self.backbone_name == "vgg":
        for k in range(23):
            x = self.vgg[k](x)

请问这里的最后一行
x=self.vggk是什么意思呢

大佬，运行你的ssdpytorch代码在train.py训练时报错

错误提示：
Traceback (most recent call last):
File "D:/python_code/ssd网络/ssd-pytorch-master/train.py", line 111, in
images = batch[0]
TypeError: 'ExceptionWrapper' object does not support indexing

Process finished with exit code 1
附batch代码
for iteration, batch in enumerate(gen):
if Use_Data_Loader:
train_dataset = SSDDataset(lines[:num_train], (Config["min_dim"], Config["min_dim"]))
gen = DataLoader(train_dataset, batch_size=Batch_size, num_workers=8, pin_memory=True,
drop_last=True, collate_fn=ssd_dataset_collate)

请问如何修改保存权重的间隔，默认好像是1个epoch保存1次，我想修改为100或者1000次保存一次，怎么修改呢

请问是什么原因您的结果比论文原文结果要高一个多点，是因为加入了新的数据增强方法

UP主的ssd_weights.pth文件大概训练了多少个epoch哈！

一共训练了多少个epoch达到这个效果呢，求指导！

训练时候会进去死循环，无法训练

这个项目存在严重BUG，这个我看到了#15楼一样反馈，再dataloader.py的106行，我打印输出，死循环了，希望作者修复一下
img, y = self.get_random_data(lines[index], self.image_size[0:2])
if len(y)==0:
print("--------------------------")
index = (index + 1) % n
continue

ssd-pytorch/get_map.py" ASSERT: "false" in file qasciikey.cpp, line 501 Aborted (core dumped)

当我改为6分类时报错

Traceback (most recent call last):
File "D:/python project/study/CNN/ssd-pytorch-flower/train.py", line 37, in
model.load_state_dict(pretrained_dict)
File "D:\工作\python3.6\lib\site-packages\torch\nn\modules\module.py", line 830, in load_state_dict
self.class.name, "\n\t".join(error_msgs)))
RuntimeError: Error(s) in loading state_dict for SSD:
size mismatch for conf.0.weight: copying a param with shape torch.Size([84, 512, 3, 3]) from checkpoint, the shape in current model is torch.Size([28, 512, 3, 3]).
size mismatch for conf.0.bias: copying a param with shape torch.Size([84]) from checkpoint, the shape in current model is torch.Size([28]).
size mismatch for conf.1.weight: copying a param with shape torch.Size([126, 1024, 3, 3]) from checkpoint, the shape in current model is torch.Size([42, 1024, 3, 3]).
size mismatch for conf.1.bias: copying a param with shape torch.Size([126]) from checkpoint, the shape in current model is torch.Size([42]).
size mismatch for conf.2.weight: copying a param with shape torch.Size([126, 512, 3, 3]) from checkpoint, the shape in current model is torch.Size([42, 512, 3, 3]).
size mismatch for conf.2.bias: copying a param with shape torch.Size([126]) from checkpoint, the shape in current model is torch.Size([42]).
size mismatch for conf.3.weight: copying a param with shape torch.Size([126, 256, 3, 3]) from checkpoint, the shape in current model is torch.Size([42, 256, 3, 3]).
size mismatch for conf.3.bias: copying a param with shape torch.Size([126]) from checkpoint, the shape in current model is torch.Size([42]).
size mismatch for conf.4.weight: copying a param with shape torch.Size([84, 256, 3, 3]) from checkpoint, the shape in current model is torch.Size([28, 256, 3, 3]).
size mismatch for conf.4.bias: copying a param with shape torch.Size([84]) from checkpoint, the shape in current model is torch.Size([28]).
size mismatch for conf.5.weight: copying a param with shape torch.Size([84, 256, 3, 3]) from checkpoint, the shape in current model is torch.Size([28, 256, 3, 3]).
size mismatch for conf.5.bias: copying a param with shape torch.Size([84]) from checkpoint, the shape in current model is torch.Size([28]).
当我改为6分类问题时报错如上，已修改config.py,voc_annotation.py,voc_classes.txt中的class类别，但仍然报错，请问是ssd_weights.pth的问题吗，应如何解决？