Yolo 模型中的增量分类器和表示学习

Question

我的 YOLO 模型遇到问题。

最初，我用 7 个类对其进行了训练。现在，我想向模型添加 4 个新类。然而，当我将原始 7 个类别的数据与新的 4 个类别的数据结合起来时，训练时间和相关的云成本显着增加。有什么好的解决方案可以有效地将这些额外的类合并到模型中而不增加训练时间和成本？

我的期望是减少增量学习的成本和培训时间。

Answer 1

为了向已训练的模型添加新类，您可以考虑迁移学习的概念。您可以：

，而不是从头开始重新训练整个模型，同时结合新旧类

1. 将图层冻结到最后一层或几层（已经学会了 来自您初始训练的特征表示）。
2. 然后，仅训练最后一层（或添加新层）来学习 额外课程。

这里有一个简化的代码片段，可以给您一个想法：

from ultralytics import YOLO

# Load your pretrained model
model = YOLO('path/to/your/pretrained/model.pt')

# Freeze all layers except for the last few
for param in model.model[0:-4].parameters():
    param.requires_grad = False

# Proceed with training on the new dataset (with 11 classes now)
results = model.train('new_data_with_11_classes.yaml')

此代码说明了一般方法。您需要根据实际模型结构以及数据的组织方式调整具体细节。

请记住更新数据集配置文件（示例中的 new_data_with_11_classes.yaml）以反映所有 11 个类。

这种方法可以显着减少培训时间和成本。

（格伦-乔彻）