它特别取决于数据大小和模型容量。

因此，我们不能在任何实验之前给出明确的“是”或“否”。但是，我们可以列举可能的案例、原因和改进方法，而不管任何特定的模型或数据集。

1. 如果每个类别的数据点数量不足（现实中经常出现这种情况），则组合类别的单个模型表现更好，因为通过在不同但相关的任务之间共享模型（即共享知识）来减弱数据短缺的影响. 然而，我们不应该忘记模型的容量，如果模型容量不足以完成组合任务（这取决于模型的架构和大小），这种共享会适得其反，因为模型将其有限的容量分散到多个任务中，并且成为“万事通，无所事事”。因此，如果模型容量允许，这种方法是有利的，这对于具有灵活大小约束的神经网络来说不太重要。

2. 如果每个类别的数据点数量足够多（这种情况很少发生），或者模型容量有限（例如，当模型性能在超过 10% 的数据上训练时停止改进），则每个类别的单个模型更好，因为没有容量将被浪费在不同的（尽管相关的）任务上。从不同的角度来看，虽然这种选择在模型精度方面可能不太有利，但它允许在较小的任务上进行并行开发，即 更快的生产，这对于我们在模型精度方面支付的成本来说可能是一个合理的收益。

两种方法

我们也可以将这两种方法结合起来。首先，我们在组合类别上训练模型，然后我们将训练模型的一部分（或部分）（例如层、最终预测等）提供给将在一个类别上训练的特定模型。这正是预训练模型为我们所做的事情，它被训练用于具有更多数据的更一般的任务（甚至可能是不同但相关的任务），然后我们将其用于特定任务。

在你的情况下，你可以去三个级别：

1. 已经搭建好的预训练YOLO，
2. 在所有类别上训练 MyYOLO（例如，使用来自 YOLO 的最后一层的一个输入，以及一个直接来自图像的输入），以及
3. 在特定类别上训练 MyYOLO2（例如，使用来自 MyYOLO 的一个输入和一个直接来自图像的输入）。请注意，在每个级别，先前模型的权重保持不变以提供恒定的输入。