关键在于数据、标注、配置三者对齐；推荐PyTorch+torchvision，用COCO格式组织数据，自定义Dataset同步变换图像与bbox，微调Faster R-CNN时替换box_predictor并注意类别ID从1开始，用原生训练循环控制loss与评估。
直接在自定义数据集上训练目标检测模型，关键不是换框架，而是把数据、标注、配置三者对齐。PyTorch（搭配torchvision或Detectron2）和TensorFlow（搭配TFOD API）都支持，但PyTorch生态目前更灵活、文档更贴近实战，推荐从 torchvision.models.detection 的预训练Faster R-CNN或RetinaNet入手。
数据准备：按规范组织图像和标注
检测任务需要图像 + 对应的边界框（bbox）+ 类别标签。不建议用XML或JSON手写——容易出错。推荐统一转成COCO格式（json）或Pascal VOC格式（每图一个XML），其中COCO更通用。
- 图像存放在 images/ 文件夹，命名简洁（如
001.jpg） - 标注用工具生成：LabelImg（VOC）、CVAT 或 Roboflow（导出COCO），确保每个bbox有
[x_min, y_min, x_max, y_max]和class_id - 划分 train/val 子集，生成对应
train.json和val.json（COCO）或ImageSets/Main/train.txt（VOC）
数据加载：写好Dataset类并做必要变换
torchvision 的 torch.utils.data.Dataset 必须返回 image（PIL或Tensor）和 target（字典，含 boxes、labels、可选 image_id 和 area）。注意三点：
-
boxes必须是 float32 Tensor，shape为(N, 4)，且坐标不能越界（如 x_max > image_width） - 所有变换（Resize、ToTensor、Normalize）要同步作用于图像和 boxes —— 用
torchvision.transforms.v2（新版）或自定义函数，避免用老版transforms导致bbox错位 - 类别 ID 从 1 开始（0 留给背景），例如你的数据只有“car”和“person”，label 应为
[1, 2]，不是[0, 1]
模型微调：加载预训练权重，替换分类头
以 Faster R-CNN 为例，不从头训练：
立即学习“Python免费学习笔记（深入）”；
- 用
torchvision.models.detection.fasterrcnn_resnet50_fpn(weights="DEFAULT")加载COCO预训练权重 - 修改
model.roi_heads.box_predictor：新类别数 = N（你的类别数）+ 1（背景），传入FastRCNNPredictor(1024, N+1) - 保持 backbone 和 neck 冻结前几层（可选），只训 head；训练稳定后再解冻微调
训练与验证：用原生PyTorch循环，别绕远路
不用封装库，自己写训练循环更可控：
- 损失函数自动计算：Faster R-CNN 的
model(images, targets)返回 dict（含loss_classifier、loss_box_reg等） - 优化器用
torch.optim.SGD（带 momentum=0.9）或 AdamW；学习率从 0.005 起步，配合torch.optim.lr_scheduler.StepLR - 验证时用
model.eval()+torch.no_grad()，用 COCOEval 或 simple metric（如 mAP@0.5）评估 - 每轮保存
model.state_dict()，别存整个 model 对象（体积大、兼容性差）
基本上就这些。难点不在代码量，而在数据格式校验和训练细节的耐心调试——比如 bbox 坐标是否归一化、类别ID是否对齐、GPU显存是否够用（batch_size=2 往往就够）。跑通第一个 epoch 有 loss 下降，后面就是调参和迭代的事了。
