解决Cream项目中EfficientViT模型加载预训练权重时的KeyError问题

问题背景

在使用微软Cream项目中的EfficientViT模型进行目标检测任务时，部分用户在加载预训练权重时遇到了KeyError错误。具体表现为模型无法找到"backbone.blocks1.0.mixer.m.attn.attention_biases"等关键参数，导致模型初始化失败。

错误分析

该问题主要出现在使用mmdetection框架加载EfficientViT_M4作为RetinaNet检测器的主干网络时。错误堆栈显示，模型在初始化权重阶段无法从预训练权重文件中找到预期的相对位置偏置表参数。

深入分析发现，这是由于mmdetection框架版本更新导致的兼容性问题。在较新版本的mmdetection中，模型参数名称的命名空间发生了变化，而预训练权重文件中的参数命名仍保持原有格式。

解决方案

针对这一问题，可以通过修改模型权重加载逻辑来解决。具体修改位于efficientvit.py文件的init_weights方法中：

# 原代码
relative_position_bias_table_current = model_state_dict[k]

# 修改后代码
relative_position_bias_table_current = model_state_dict[k.replace('backbone.', '')]

这一修改移除了参数名称中的"backbone."前缀，使其与预训练权重文件中的参数名称匹配。

实施建议

1. 确保使用正确的评估参数：RetinaNet是纯检测模型，评估时应使用"--eval bbox"而非"--eval bbox segm"

2. 环境配置建议：

   • Python 3.7+
   • PyTorch 1.8+
   • CUDA 11.1+
   • mmcv 2.0.0
   • mmdetection 2.28.1

3. 测试验证：修改后模型在单卡1080Ti上测试通过，可以达到预期性能指标

技术原理

EfficientViT模型采用了相对位置编码机制，这在视觉Transformer架构中很常见。相对位置偏置表(relative position bias table)存储了不同相对位置间的注意力偏置值，是模型能够理解空间关系的关键组件。

在模型权重初始化阶段，系统会尝试从预训练文件中加载这些参数。当参数名称不匹配时，就会抛出KeyError。我们的解决方案通过动态调整参数名称前缀，确保了兼容性。

总结

本文分析了Cream项目中EfficientViT模型加载预训练权重时出现的KeyError问题，并提供了有效的解决方案。该问题主要源于框架版本更新带来的命名空间变化，通过简单的参数名称调整即可解决。对于使用类似架构的研究人员和开发者，理解模型参数初始化机制和兼容性处理具有重要意义。