计算机视觉|谷歌算法大牛分享：计算机视觉模型训练导论（好用工具分享）( 四 ) 汽车|算法|许多

转移学习与再培训转移学习利用从一般数据集上训练模型获得的知识，并将其应用于其他（可能更具体的）场景。您可以采用已经在大型通用数据集或与您相似的数据集上进行过训练的现有模型，并在针对您的用例的新标签上进行重新训练。例如，如果要构建一个检测垃圾的模型，则可以采用一个通用的对象检测模型，并在与您的使用案例相关的特定标签（例如罐，瓶和卫生纸卷）上进行训练。后来，您意识到自己希望能够检测外卖容器和餐具。然后，您可以收集并注释包含这些新对象的其他图像，将它们添加到原始数据集中，并使用这些其他标签训练模型。
注意：模型重新训练的额外优势是需要更少的训练数据！
测试应用最后，一旦使用训练数据建立了模型，就可以通过输入新的，未注释的图像并查看模型是否进行分类，检测等来进行测试，从而对其进行测试。例如，继续以建立模型以检测外部摄像机进给中的鸟类的示例为例，您可以从摄像机中收集一些新的视频素材，也许是在典型的一天中或在不同天气中的素材集合，以及实时检查模型的输出。虽然这不是自动化或定量的测试，但它使您能够快速识别出模型表现不佳的任何缺点或边缘情况，例如在黎明和黄昏或下雨天。然后，您可以使用描述这些极端情况的图像中的注释来重新训练模型，
在AlwaysAI上使用模型AlwaysAI使用户能够快速，轻松地启动并运行并将计算机视觉模型部署到边缘。我们已经描述了alwaysAI模型目录中现有的一些模型，这些模型可用于构建在本文中作为示例突出显示的应用程序。您可以在此处查看目录中所有型号的说明。
我们的API（边缘IQ）使您能够独立于硬件选择而在应用程序中定制使用这些模型，并快速开发原型。您可以使用相同的标准库，按特定标签过滤，使用预测标记图像，更改标记颜色，添加文本，交换媒体输入和输出，更改引擎或加速器等等。
借助alwaysAI ，您还可以将自定义模型上传到模型目录中，并将其添加到测试应用程序中，或者您可以简单地在本地入门应用程序中交换训练输出文件，以快速测试新模型。