Python 在预训练的tensorflow模型中是否可以删除类别？

我目前正在为我的人体检测应用程序使用Tensorflow对象检测API。 我尝试在API中进行过滤，但我仍然无法与之抗衡，因为它很慢。因此，我想知道是否可以删除模型本身中的其他类别，以使其更快

---

如果这是不可能的，你能给我其他建议，使API更快，因为我将使用两个摄像头。提前谢谢，请原谅我的英语：）

您的问题涉及到使用神经网络预训练模型的几个主题

理论方法

通常，您可以通过删除softmax层中相应的神经元来中和类别，并仅使用矩阵的相关行计算新的softmax层。
这种方法肯定会起作用（也许这就是你所说的过滤），但不会大大加快网络计算时间，因为大多数触发器（乘法和加法）都会保留下来

与决策树类似，修剪是可能的，但可能会降低性能。我将解释修剪的含义，但请注意，您的类别的准确性可能会保持不变，因为您不仅仅是修剪，您预测的类别也会减少

把学到的东西转移到你的问题上。参见斯坦福大学的计算机视觉课程。在我所看到的大多数情况下，保持卷积层不变，并准备一个中等大小的对象数据集，这样做效果很好

如果你要求的话，我会添加更多的理论方法，但以上是我所知道的最常见和最准确的方法

实用方法

确保您是您的tensorflow模型，而不仅仅是使用推理python代码。这可以显著提高性能

您可以导出网络参数，并在更快的框架（如或）中加载它们。这些框架在C++/CSharp中工作，可以更快地进行推理。确保正确加载权重，某些框架在保存/加载时使用不同的张量维度顺序（类似于小/大端的问题）

如果应用程序对多个图像执行推断，则可以通过多个GPU分发计算**这也可以在tensorflow中完成，请参阅

修剪神经网络

也许这是将大型网络适应于简单任务的最有趣的方法。你可以看初学者指南

修剪意味着从网络中删除参数，特别是决策树/神经网络（resp）中的整个节点/神经元。要在对象检测中做到这一点，您可以按以下方式（最简单的方式）进行：

从完全连接的层中随机剪除神经元

以低学习率再训练一个历元（或多个历元），仅针对您想要检测的对象

（可选）执行上述多次验证，然后选择最佳网络

上面的过程是最基本的，但是你可以找到大量的文章来建议算法。例如 和

祝你工作顺利