各位大神好，小弟目前正在實作如何增加影像辨識模型的識別類別，以YOLOv7為主要模型，
主要的目的是希望讓模型持續地，透過不同的資料集認識更多類別的物件，
但目前執行結果不如預期因此發文請教，以下是我執行的步驟。

1.下載YOLOv7官方github模型與權重（COCO資料集訓練）
2.下載KITTI資料集
3.修改YOLOv7訓練資料設定：
把KITTI資料集中的八個類別扣除重複的三類別，
把其餘的五個增加到 .yaml的names list後面並修改nc為85，
新增的類別是「Van」、「Person_sitting」、「Cyclist」、「Tram」和「Misc」，共五個。

4.修改KITTI標籤檔案：原始KITTI從0到7編號，現在增加到COCO資料集後，需要更改編號，
修改的規則如下（跟COCO重複的改為相同編號，不同的則往後新增）

預備好了資料，則開始訓練。

5.修改凍結層訓練參數：
parser.add_argument('--freeze', nargs='+', type=int, default=[0], help='Freeze layers: backbone of yolov7=50, first3=0 1 2')
在這裡嘗試凍結0、50、101層進行訓練（ex: default=[101]）。

希望透過上述步驟，讓模型既可以保有辨識原來的80個類別，並且增加認得KITTI提供的新類別
例如COCO中包含了'traffic light'的類別，希望可以在訓練後保有認得交通燈號，又可以增加認識Van...等交通項目。

執行結果：
1.原始COCO資料集辨識結果

2.加入KITTI且設定凍結101層結果(凍結0與50層結果相似)
變得只能辨識KITTI的資料集出現過的類別，原始的'traffic light'與其他類別都辨識不出來。

有此發想是因為LLM模型似乎也是不斷的增加訓練資料，讓模型越來越強大，
因此想實作在影像資料集上，看能有否有一樣的效果。
非常建議大家的各種建議，謝謝大家。