您有两个选择：
- 对整个检测器（后端+前端，即分类网络+检测器）使用预先训练的权重。
- 仅对后端使用预先训练的权重。
一切解释如下https://github.com/experiencor/keras-yolo2#2-edit-the-configuration-file https://github.com/experiencor/keras-yolo2#2-edit-the-configuration-file在你给的链接上。
在代码中，完成了整个模型的预训练权重的加载here https://github.com/experiencor/keras-yolo2/blob/8bc3fcdc123a5d6b9624ed4188e07b876b79dac5/train.py#L73。它是可选的。
后端的预训练权重是强制性的（根据教程），在代码中已完成here https://github.com/experiencor/keras-yolo2/blob/8bc3fcdc123a5d6b9624ed4188e07b876b79dac5/backend.py#L167（完整 Yolo 的示例）。请注意，您应该在创建模型之前下载后端权重，如教程中或本文开头所述file https://github.com/experiencor/keras-yolo2/blob/8bc3fcdc123a5d6b9624ed4188e07b876b79dac5/backend.py#L11.
Edit 1
如果类的数量发生变化，检测器部分（前端）中的滤波器数量将随着分类向量大小的变化而变化。然而，即使类的数量发生变化，后端（特征提取器，即主干）也保持不变。
您可以使用与骨干网大小相匹配的任何预训练权重，但对于整个网络，如果类别数量不同，则不能使用。例如，您不能将 Racoon 的重量用于狗和猫探测器。
您不能使用 YoloV2 原始权重来初始化该网络，因为 Darknet 和 Keras 之间的格式不同，您首先必须将它们转换为 Keras 格式。
如果您有足够的训练数据，则可以仅使用骨干预训练权重。
请注意，还有一个称为迁移学习的附加选项。如果您有预先训练的网络（主干网络和前端），您可以提取主干权重并使用它们来初始化网络主干。
Edit 2
不，严格来说，前端和后端并不是两个独立的网络：它们是两个链式网络。事实上，在大多数深度学习框架（例如 PyTorch、Keras 或 Tensorflow）中，任何层都可以被视为网络（全连接、卷积、MaxPool 等）。
“网络”只是一个对象，表示将输入映射到可以应用自动微分的输出的任意复杂数学函数（您必须定义前向和后向传播）。
在像 Yolo 这样的单次目标检测器中，将整个网络视为两个网络的链更为相关：backbone和detector。这种表示允许更通用的构造和更广泛的调整（即使用性能更高的主干或轻量级主干）。
是的，你是对的，边界框回归和标签分类发生在整个网络的最末端，因此发生在前端。
前端可以有任意数量的层，唯一的约束是在最后一层，它应该尊重特定的通道大小（即给定数量的过滤器），该大小始终受到要分类的类数量的限制。
通常最后一个输出层的通道数应该是numberOfClasses + 4 where numberOfClasses包括背景类，其中数字 4 表示边界框的四个坐标。这个例子简化了很多，我建议你阅读Yolo论文以更好地理解网络结构。
看起来只有一个可训练层（2D Convhere https://github.com/experiencor/keras-yolo2/blob/8bc3fcdc123a5d6b9624ed4188e07b876b79dac5/frontend.py#L63）在检测器网络中。请注意输出的大小受类数量的限制：self.nb_box * (4 + 1 + self.nb_class).
然后使用随机分布初始化该层参数。
关于你的最后一个问题，我认为你对迁移学习程序的理解是正确的，这应该可行。
