Tensorflow 将自定义类添加到预先训练的数据集中

我使用已经训练（预先训练）的数据集，使用yolo+tensorflow进行目标检测。 我的推理结果很好，但现在我想“添加”一个新类到预先训练的数据集中。 在预先训练的数据集中有80个类如何添加自定义类并使其总数达到81或82？

---

推理git hub.

在迁移学习的情况下，使用“Imagenet”、“fashion mnist”等著名数据集上预先训练的权重。这些数据集定义了许多类和标签，它们可能与我们的数据集相同，也可能不同。最佳实践是在预先训练的模型输出的输出层之上添加层。例如，在keras：

从tensorflow.keras.applications导入mobilenet
从tensorflow.keras.layers导入致密、平坦
输出=mobilenet（包括\u top=False）
展平=展平（）（输出）
预测=密集（类的数量，激活='softmax'）（层）

在这种情况下，您需要使用数据集训练（或者更好地称之为微调）模型。mobilenet网络将使用预先训练的权重，最后一层将仅根据您定义的类数的数据集进行训练

您也可以使用：

从tensorflow.keras.applications导入mobilenet
preds=mobilenet（包括顶部=Flase，类=类的数量，权重='imagenet'）

有关更多信息，您可以参考：

---

如果您已经为80个类训练了模型，并且需要添加另一个类，那么最好从以前保存的检查点开始重新训练模型。（网络体系结构的设计应考虑自开始以来的总类数，因为在输出层，您将拥有与类数相等的神经元，如果不是这种情况，您不能向数据中添加其他类，因为网络不是为其设计的。）这将利用以前课程上完成的初始训练。用于重新训练的数据现在应包含所有课程（包括所有以前的课程和要添加的新课程）。这类似于从上次训练的检查点（80个课程）初始化权重，然后再次使用更多数据进行训练（包括所有要添加的类80+以上）允许反向传播通过所有层。

对于新类，您需要添加相关数据并再次训练模型。您可以在链接中看到如何为tensorflow对象检测api创建自己的数据集-感谢您的帮助。请告诉我如何“添加”YLO-v2或YLO-v3的自定义对象？有人能建议其他方法将类添加到预先训练的数据集中吗？？