MaskRCNN.train выдает ‘индекс списка вне диапазона’

Я пытался использовать MaskRCNN с основной моделью Resnet на DeepFashion2 датасете для сегментации объектов. Настройки кастомизации следующие:

class ClothDataset(utils.Dataset):

    # функция load_dataset используется для загрузки обучающего и тестового наборов данных
    def load_dataset(self, dataset_dir):
        print("Загрузка набора данных")
        categories = ["футболка с коротким рукавом", "футболка с длинным рукавом", "верхняя одежда с коротким рукавом", "верхняя одежда с длинным рукавом", "жилет", "сарафан", 
                      "шорты", "брюки", "юбка", "платье с коротким рукавом", "платье с длинным рукавом", "платье-жилет", "платье-сарафан"]
        for index, category in enumerate(categories):
            self.add_class("fashion", index+1, category.lower())

        images_dir = dataset_dir + '/image/'
        annotations_dir = dataset_dir + '/annos/'

        for filename in listdir(images_dir):

            image_id = filename[:-4]

            # переменные img_path и ann_path определены
            img_path = images_dir + filename
            ann_path = annotations_dir + image_id + '.json'

            # используя функцию add_image, мы передаем image_id, image_path и ann_path, чтобы текущее
            # изображение было добавлено в набор данных для обучения
            self.add_image('fashion', image_id=image_id, path=img_path, annotation=ann_path)

    # функция, используемая для извлечения ограничительных рамок из аннотированных файлов
    def extract_boxes(self, filename):
        print("Извлечение ограничительных рамок")
        boxes = list()
        # Реализация для аннотаций JSON
        annotation_file = json.load(open(filename))
        for item in annotation_file.keys():
            if item != "source" and item != "pair_id":
                name = annotation_file[item]['category_name'].lower()
                coors = annotation_file[item]['bounding_box']
                coors.append(name)
                boxes.append(coors)

        # Извлечение ширины и высоты изображения
        image_path = filename.replace("annos", "image").replace("json", "jpg")
        image = skimage.io.imread(image_path)
        height, width = image.shape[:2]

        return boxes, width, height

    # возвращает булеву маску с размерами ширина * высота * экземпляры        
    def load_mask(self, image_id):
        print("Загрузка маски")
        info = self.image_info[image_id]
        path = info['annotation']
        boxes, w, h = self.extract_boxes(path)
        masks = np.zeros([h, w, len(boxes)], dtype="uint8")
        class_ids = list()
        for i in range(len(boxes)):
            box = boxes[i]
            masks[box[1]:box[3], box[0]:box[2], i] = self.class_names.index(box[4])
            class_ids.append(self.class_names.index(boxes[i][4]))

        return masks, np.asarray(class_ids, dtype="int32")

    # эта функция берет image_id и возвращает путь к изображению
    def image_reference(self, image_id):
        info = self.image_info[image_id]
        return info['path']

class ClothConfig(Config):
    # название конфигурации
    NAME = "fashion_config"

    GPU_COUNT = 1
    IMAGES_PER_GPU = 4
    STEPS_PER_EPOCH = 20

    # Количество классов
    NUM_CLASSES = 1 + 13

    # Размеры изображения
    IMAGE_MIN_DIM = HEIGHT_TARGET
    IMAGE_MAX_DIM = WIDTH_TARGET
    IMAGE_SHAPE = [HEIGHT_TARGET, WIDTH_TARGET, 3]
    IMAGE_RESIZE_MODE = 'square'
    BACKBONE = 'resnet50'

    TRAIN_BN = True

    # Темп обучения
    LEARNING_RATE = 0.004
    WEIGHT_DECAY = 0.0
    LR_SCHEDULE = True

    # Размер очереди загрузчика данных (было установлено на 100, но привело к ошибке OOM)
    MAX_QUEUE_SIZE = 10

    # Кэширование элементов
    CACHE = True

    # Режим отладки отключает контрольные точки модели
    DEBUG = False

    # Не используйте многопоточность, так как это замедляет загрузчик данных!
    WORKERS = 0

    # Убытки
    LOSS_WEIGHTS = {
        'rpn_class_loss': 1.0,    # правильный ли класс бокса? / Убыток классификатора якорей RPN (Фон/Передний план)
        'rpn_bbox_loss': 1.0,     # правильный ли размер бокса? / график потерь бокса RPN (бокс общего объекта)
        'mrcnn_class_loss': 1.0,  # потеря для классификатора Mask R-CNN (Фон / конкретный класс)
        'mrcnn_bbox_loss': 1.0,   # правильный ли размер ограничивающей рамки? / потеря для уточнения ограничивающей рамки Mask R-CNN
        'mrcnn_mask_loss': 1.0,   # правильный ли класс? правильно ли пиксель отнесен к классу? / потеря бинарной кросс-энтропии для масок
    }

    # Структура обучения
    FPN_CLASSIF_FC_LAYERS_SIZE = 1024
    RPN_ANCHOR_SCALES = (32, 64, 128, 256, 512)

Тем не менее, я получаю ошибку ‘индекс списка вне диапазона’ при вызове model.train(..), и из стека ошибок я не могу понять, в чем именно проблема. Прилагаю журналы ошибок ниже,

Буду признателен за любую помощь. Спасибо!

Обновление

Я narrowed down the issue to a possible Tensorflow version incompatibility. Хотя у меня нет всех деталей, кажется, что проблема может быть связана с этим.

Чтобы дать больше контекста, я работал с Kaggle ядрами для запуска модели. Изначально я изменял существующий ноутбук в попытке переиспользовать оригинальную среду. Именно тогда я столкнулся с вышеупомянутыми журналами ошибок. В качестве альтернативы я попытался использовать другой ноутбук с другой, более актуальной закрепленной средой, и, что интересно, та же модель сработала (снимок прикреплён).