【已解决】ERROR:The testing results of the whole dataset is empty

解决MMdetection测试结果为空的问题：学习率设置不当的排查与修复

一、问题描述

在使用MMdetection进行对比实验时，遇到了如下错误：

Loading and preparing results... 05/30 15:29:43 - mmengine - ERROR - C:\Users\DaoXin\anaconda3\lib\site-packages\mmdet\evaluation\metrics\coco_metric.py - compute_metrics - 465 - The testing results of the whole dataset is empty.

错误信息明确指出：整个数据集的测试结果为空。

二、初步排查：排除数据集问题

首先考虑常见原因：配置文件中的类别标签（class_name）与COCO数据集JSON文件中的标签不对应。但经过验证：

• 相同的COCO数据集在MMdetection的其他算法（如Faster R-CNN、YOLOX）中可正常运行；
• 手动检查配置文件的class_name与JSON文件的categories字段，标签完全一致。

结论：数据集本身及标签映射无问题，问题出在算法的参数设置上。

三、核心原因：学习率（LR）设置过高

进一步分析发现，在运行某些对比实验时（如尝试使用较大的学习率加速训练），模型可能因参数更新幅度过大而无法收敛，导致测试时未生成有效检测结果。

• 默认学习率：MMdetection中部分算法（如Cascade R-CNN、Swin Transformer等）的默认学习率为0.01（针对8卡训练场景）；
• 问题场景：当使用单卡训练或数据集规模较小时，0.01的学习率可能导致梯度爆炸或模型震荡，最终输出空结果。

四、解决方案：降低学习率

将配置文件中的学习率从0.01调整为0.05，如果还是不行，就逐步对半向下调整，修改示例如下：

# 原配置文件中的学习率设置（通常在schedule.py或模型配置文件中）
optim_wrapper = dict(optimizer=dict(lr=0.01),paramwise_cfg=dict(bias_lr_mult=2., bias_decay_mult=0.),clip_grad=dict(max_norm=35, norm_type=2))# 修改后（关键改动：lr=0.005）
optim_wrapper = dict(optimizer=dict(lr=0.005),paramwise_cfg=dict(bias_lr_mult=2., bias_decay_mult=0.),clip_grad=dict(max_norm=35, norm_type=2))

修改后重新训练并测试，模型正常生成检测结果，错误消失。

五、扩展建议：学习率调整策略

1. 根据训练卡数调整：
   • 若使用单卡训练，默认学习率需除以GPU数量（如8卡默认0.01，单卡应设为0.01/8=0.00125，可近似取0.001）。
2. 使用学习率预热（Warm-up）：
   在训练初期使用更小的学习率（如0.0001）逐步提升，避免模型初始训练时因梯度不稳定而崩溃。
3. 监控训练日志：
   若训练过程中损失值（Loss）突然飙升或长时间不下降，可能是学习率过高，需及时调整。

六、总结

MMdetection中“测试结果为空”的错误可能由多种原因导致，当排除数据集标签问题后，学习率设置是需要重点排查的参数之一。合理的学习率设置需结合训练资源（GPU数量）、数据集规模和模型复杂度综合调整，建议从小值开始尝试并逐步优化。通过本次调整，不仅解决了报错问题，也为后续对比实验的稳定性提供了保障。