是否可以在Computer Vision任务中检测16k类？

Question

我的任务是在实时视频流中以80％以上的精度检测杂货店的16000个类别。在所有的互联网上搜索，我发现有关检测大量类的工作几乎一无所获。从数学的角度来看，我知道创建具有如此大的非线性的函数几乎是不可能的，因为需要大量的神经元和层来实现这种非线性。

但是以某种方式训练YOLO9000并可以实时检测9000多个类。另外，我在文章Instagram's Shopping tags上也遇到过。从那以后，我相信可以用相当数量的百分比来执行任务。

无论如何，我进入Tensorflow Object Detection API，采用了在coco数据集上预先训练的ssd模型。将8h视频切成照片，为tfrecords创建xml，并使用新的类训练模型。我参加了50堂课，每堂课手工制作了大约1-20张照片，以某种方式我得到了结果。我的计算能力是具有12 GB GPU的AWS p2.xlarge实例。

其中一张训练有素的图片

结果

1. 请评估是否可以完成以及原因。
2. 可以预期的真实准确性吗？
3. 我可以使用自己的计算能力执行此任务吗？还是需要更多？

任何建议都很好：)。