使用无意义的类预训练一个模型重要吗？
Is it important to pre-train a model by using meaningless classes?
如果我想训练一个可以检测图片中 5 类 的对象检测模型，在像 coco（80 类对象）这样的大型数据集中预训练这个模型是否重要，或者只拿5类coco来预训练这个模型（假设这5类可以在coco中找到）？
如果你要检测的5类已经在MS-COCO数据集中，有两种可能的选择
- 使用在 MS-COCO 数据集上预训练的现有对象检测模型。如果检测结果满意，很好，可以继续使用
- 如果没有，您可以根据包含您感兴趣的 类 的数据微调模型，基本上使用预训练的 MS-COCO 权重作为起点，根据包含这 5 类（数据越多越好）
现在，如果您希望检测的 类 不在原始 MS-COCO 数据集中，使用预训练的 MS-COCO 权重（在 80 类 即使它们与你的不相关）在早期的卷积层中，然后在你的数据集上训练网络的检测层和更深层。这是因为网络学习到的低级特征（如边缘、斑点等）大部分 类 都是通用的，并且会大大加快训练速度
如果我想训练一个可以检测图片中 5 类 的对象检测模型，在像 coco（80 类对象）这样的大型数据集中预训练这个模型是否重要，或者只拿5类coco来预训练这个模型（假设这5类可以在coco中找到）？
如果你要检测的5类已经在MS-COCO数据集中，有两种可能的选择
- 使用在 MS-COCO 数据集上预训练的现有对象检测模型。如果检测结果满意，很好，可以继续使用
- 如果没有，您可以根据包含您感兴趣的 类 的数据微调模型，基本上使用预训练的 MS-COCO 权重作为起点，根据包含这 5 类（数据越多越好）
现在，如果您希望检测的 类 不在原始 MS-COCO 数据集中，使用预训练的 MS-COCO 权重（在 80 类 即使它们与你的不相关）在早期的卷积层中，然后在你的数据集上训练网络的检测层和更深层。这是因为网络学习到的低级特征（如边缘、斑点等）大部分 类 都是通用的，并且会大大加快训练速度