MMRotate项目中NaN损失问题的分析与解决方案

问题背景

在使用MMRotate项目进行旋转目标检测训练时，部分用户遇到了损失值变为NaN的问题。这一问题主要出现在DIOR数据集上训练Oriented R-CNN、S2ANet和R3Det等模型时，而在DOTAv1.0和DOTA1.5数据集上则表现正常。

问题表现

训练过程中，通常在epoch 7左右会出现损失值变为NaN的情况，导致训练无法继续进行。这一问题在MMRotate 1.0.0rc1版本中较为常见，而在0.3.4版本中则较少出现。

可能原因分析

1. 数据集质量问题：DIOR数据集中可能存在"脏数据"，即不符合模型训练要求的标注数据
2. 版本兼容性问题：MMRotate 1.0.0rc1版本可能存在某些bug
3. 训练参数设置问题：如batch size、学习率等超参数设置不当
4. GPU兼容性问题：不同GPU型号对浮点运算精度的支持不同

解决方案

1. 数据集清洗

按照MMRotate官方建议，对数据集进行以下检查和处理：

• 确保所有标注框的宽度和高度均为正值
• 检查是否有无效的旋转角度值
• 移除或修正不符合物理意义的标注框（如面积过小或长宽比异常）

2. 版本降级

将MMRotate版本降级至0.3.4可以解决此问题。这一方案简单有效，但可能无法使用最新版本的功能。

3. 训练参数调整

尝试以下参数调整：

• 减小batch size（如从16降至2）
• 降低学习率
• 避免使用FP16半精度训练
• 增加梯度裁剪

4. 其他建议

• 检查GPU驱动和CUDA版本是否兼容
• 监控训练过程中的梯度变化，及时发现数值不稳定问题
• 在训练初期使用较小的输入尺寸，逐步增大

技术原理

损失值变为NaN通常是由于数值计算不稳定导致的，可能原因包括：

1. 梯度爆炸：反向传播过程中梯度值过大
2. 除零错误：在计算过程中出现了除以零的情况
3. 数值溢出：计算结果超出了浮点数表示范围
4. 无效输入：模型接收到了不符合预期的输入数据

在旋转目标检测任务中，由于涉及角度计算和旋转矩阵运算，数值稳定性问题更容易出现。特别是在处理某些特殊角度的边界情况时，三角函数计算可能导致数值不稳定。

最佳实践建议

1. 数据预处理：在训练前对数据集进行全面检查，确保所有标注数据符合物理意义
2. 版本选择：根据实际需求选择合适的MMRotate版本，新版本不一定总是最佳选择
3. 监控机制：实现训练过程监控，在损失出现异常时能够及时保存模型状态
4. 逐步调试：从小规模数据开始训练，验证模型和参数设置的合理性

通过以上措施，可以有效避免或解决MMRotate训练过程中出现的NaN损失问题，确保模型训练的顺利进行。