Tensorflow目标检测API-“；“微调”；vs"；“检测”；vs"；分类“；

我将学习本教程：

其中，文件

pipeline.config

中有以下代码段：

fine_tune_checkpoint_type: "detection" # Set this to "detection" since we want to be training the full detection model

进一步调查得出以下发现：

• 字段

  微调检查点类型

  -

  微调

  ，

  检测

  和

  分类

• 并非来自“允许所有选项”的所有模型

我的问题是：

• 在此上下文中，

  微调

  、

  检测

  和

  分类

  中的每一项都意味着什么，更重要的是，何时适合使用每一项
• 如何判断哪些选项与模型动物园中的模型兼容

---

最后，我希望进行转移学习-例如，采用一个现有的经过培训的模型，并训练它为一个或多个新类绘制方框。

这些选项指示如何恢复检查点，并来自

我在这里复制了有趣的部分：

此选项控制如何从（预先训练的）微调检查点恢复变量。对于TF2模型，支持3种不同的类型：

“分类”：仅恢复 分类主干是特征提取器的一部分。当您希望从预训练的图像分类模型开始训练检测模型时，通常使用此选项，例如，在ImageNet上预训练的ResNet模型

“检测”：恢复整个功能提取器。完整检测模型中唯一未恢复的部分是盒子和类预测头。当您想要使用预先训练好的检测模型并在需要不同框和类预测头的新数据集或任务上进行训练时，通常会使用此选项

“完整”：恢复整个检测模型，包括特征提取器、其分类主干和预测头。仅当预培训和微调任务相同时，才应使用此选项。否则，模型参数可能具有不兼容的形状，这将在尝试恢复检查点时导致错误。有关此参数的详细信息，请参阅/meta_architecture/*meta_arch.py文件中的restore_map（TF1）或restore_from_object（TF2）函数文档

---

我想现在用“全音”取代了“全音”。根据您的需要，正确的选择似乎是“检测”。要知道哪些型号支持wich选项，如上所述，您必须查看相应的

/meta\u架构/*meta\u arch.py文件中的
restore\u from\u对象
函数定义
，谢谢您的回复。我对model zoo的CenterNet Resnet50 V1 FPN 512x512感兴趣。我假设这意味着我需要查看文件
center\u net\u meta\u arch.py
。根据功能
从对象还原
，作为一个选项，它应该支持
检测。你同意我的假设和结论吗？当我尝试使用
检测时，我遇到了一个错误，但如果你认为它应该起作用，我会提出一个新问题。应该如你所说。。试着打开一个新的问题，我来看看这里添加了一个新的问题：这个问题解决了吗？如果是，请为将来的读者做标记。