我有不同地区的课程。（假设每个 3 个区域的 80 个类）。如果我用 240 个类训练我的 CNN 模型，或者我应该为每个区域创建 3 个模型，可以吗？每个区域的类与具有相同名称的其他区域的类相似，但是每个区域的每个类的元素存在一些差异，因此给出了一些其他类名称。
我目前有一个训练有素的模型，它可以为一个具有 80 个类别的区域提供良好的准确性。现在我必须使用剩余的课程，如果我事先知道训练一个具有 240 个类别的单个模型或三个不同的模型，每个模型有 80 个类别，这将节省时间。
我平均每个班级有 300 张图片。
分类器的质量取决于每个类的可用观察数。如上所述，如果每个类有 300 张图像，那可能就足够了（这取决于数据的质量）。无论如何，这将需要大量的数据增强。
如果您没有适当的基础架构，那么在 240 个课程上训练一个网络可能会非常具有挑战性。这一切都取决于训练时间，但我建议您将问题分解为较小的子问题。这也将使调试和改进更容易实现。
趋势：拥有一个模型将提供更好的结果，因为您包含更多信息。有很多课程并不是一个真正的问题。一些图像识别模型在 1000 多个类上进行了训练。如果您有足够的数据（行/观察），问题就更多了。每个班级平均 300 张图像听起来很合理。所以我会尝试一下大型模型（包括所有类）。此外，如果我对您的理解正确，您使用的是预训练模型，这可能非常有益。