如果您目标是创建一个带有自定义num_classes的模型，那么您可以：
1.在torchvision的初始化中设置新的自定义类。
1.显式加载默认的预训练模型。
1.匹配形状，并丢弃不同形状的权重。
1.将调整后的预训练权重加载到模型中，然后就可以进行重新训练了。
具体如下：

num_classes = 2
# Step 1.
model = torchvision.models.detection.ssdlite320_mobilenet_v3_large(pretrained=False, num_classes=num_classes)
checkpoint = torch.load(default_pretrained_model_path) # in windows, you could check the model here C:\Users\user\.cache\torch\hub\checkpoints

# Step 2, load the model state_dict and the default model's state_dict
mstate_dict = model.state_dict()
cstate_dict = torch.load(args.weights)

# Step 3.
for k in mstate_dict.keys():
    if mstate_dict[k].shape != cstate_dict[k].shape:
        print('key {} will be removed, orishape: {}, training shape: {}'.format(k, cstate_dict[k].shape, mstate_dict[k].shape))
        cstate_dict.pop(k)
# Step 4.
model.load_state_dict(cstate_dict, strict=False)

字符串
希望有帮助，干杯~

这是我第一次做这种事情，但我得到了很好的结果：

model = torchvision.models.detection.ssdlite320_mobilenet_v3_large(num_classes=num_classes, weights_backbone='DEFAULT', trainable_backbone_layers=0)

字符串
所以我只用现有的 Backbone.js ，从零开始，不要训练 Backbone 。与问题中的想法和Briliantn的answer相比，达到类似点所需的训练至少少10倍（可能是因为这两种方法都没有在开始时冻结 Backbone.js ）.使用冻结的 Backbone.js ，你可以增加批量大小，这可以加快训练速度。一旦模型停止改进，我就解冻 Backbone.js ，并训练它更多。