我不知道有什么方法可以完全按照您的要求进行操作，但总的来说，您可能想看看Transfer Learning。在深度学习中。该技术包括加载一个经过训练的网络，用于在 ImageNet 等大型数据集上预测图像，并用您自己的替换最后一个完全连接的层，然后在您的图像上进行训练。此类网络的示例是AlexNet或VGGNet

这样，卷积层提取的特征将被保留，但您可以使用这些特征来预测不同的任务。

这是一个解释 pytorch 细节的实用教程，您可以在此处阅读有关它的更多信息

这个一般领域被称为“持续”、“增量”或“终身”学习，是一个相当活跃的研究领域。

持续学习有很多方法，包括惩罚遗忘的不同形式的正则化、动态扩展架构和显式模型记忆。有关更多详细信息，请参阅这篇调查论文：使用神经网络进行持续终身学习：回顾

微调和不忘记学习等方法似乎需要对新图像中的所有对象进行注释。

好吧，情况并非总是如此。让我给出一个明确的持续学习方法来说明这一点：您可以训练一个具有二进制输出的分类器，以判断图像是否有梨，以及是否有苹果。您可以添加一个新的二进制输出来判断它是否有橙色。然后，当您开始对橙色数据集进行训练时，施加正则化损失，以惩罚梨和苹果的预测发生很大变化（在开始对橙子进行训练之前冻结模型的副本，并惩罚旧的 MSE 或交叉熵以及新的梨和苹果预测）。

编辑：现在我更好地理解了你的问题。我没有足够的代表发表评论，所以使用回复。

因此，您拥有的数据集上的标签是二进制的，pear = 1/0。no 类包含你已经有模型的橙子和香蕉。

如果您采用两步方法将对象分类为梨与否，然后将冷冻的预训练橙色/香蕉模型应用于未分类为梨的图像，该怎么办？这将使您对每个对象的预测为梨/香蕉/橙色，并且您将保留原始模型权重，因为它已冻结。