我正在尝试训练PyTorch的torchvision.models.detection.fasterrcnn_resnet50_fpn模型，以便在我的图像中检测对象。

根据文档，该模型需要一个图像列表和一个包含’boxes’和’labels’作为键的字典列表。因此，我的__getitem__()方法如下所示：

def __getitem__(self, idx):
    # 加载图像
    _, img = self.images[idx].getImage()
    img = Image.fromarray(img, mode='RGB')
    objects = self.images[idx].objects
    boxes = []
    labels = []
    for o in objects:
        # 将边界框添加到boxes中
        boxes.append([o.x, o.y, o.x+o.width, o.y+o.height])
        # 添加class_id的第四个字符，即灯光数量（1-4）
        labels.append(int(str(o.class_id)[3]))
    # 将所有内容转换为torch.Tensor
    boxes = torch.as_tensor(boxes, dtype=torch.float32)
    labels = torch.as_tensor(labels, dtype=torch.int64)
    target = {}
    target["boxes"] = boxes
    target["labels"] = labels
    # 目前，transforms仅包含transforms.Compose([transforms.ToTensor()])
    if self.transforms is not None:
        img = self.transforms(img)
    return img, target

据我所知，它返回的正是所需的内容。我的数据加载器如下所示：

data_loader = torch.utils.data.DataLoader(
    dataset, batch_size=4, shuffle=False, num_workers=2)

然而，当执行到这一阶段时：for images, targets in dataloaders[phase]:，它会引发以下错误：

RuntimeError: invalid argument 0: Sizes of tensors must match except in dimension 0. Got 12 and 7 in dimension 1 at C:\w\1\s\windows\pytorch\aten\src\TH/generic/THTensor.cpp:689

有人能指点我正确的方向吗？

回答：

@[隐藏人名] 是对的，我需要编写一个单独的collate函数，以便网络能够按预期接收数据。在我的情况下，我只需要绕过默认函数即可。