在增量训练中，是否应该包括所有类别取决于具体的应用场景。如果一个新的类别加入了训练集，我们可以选择重新训练所有类别，或者只训练新的类别。如果只训练新的类别，那么在模型推理时需要将新的类别与之前的类别合并。下面是一个根据数据集增加新类别的示例代码：

# 加载原始训练集
train_data = sagemaker_session.upload_data(path='train_data', key_prefix='sagemaker/train')

# 加载增量训练集，包括新类别的数据
incremental_data = sagemaker_session.upload_data(path='incremental_data', key_prefix='sagemaker/train', extra_args={'--class-label': 'new_class'})

# 训练模型，加入新类别
estimator = sagemaker.estimator.Estimator(image_name=image_name,
                                          role=role,
                                          train_instance_count=1,
                                          train_instance_type='ml.p3.2xlarge',
                                          output_path=output_path)
estimator.fit({'incremental': incremental_data, 'train': train_data})

在这个示例中，当我们上传增量训练集时，通过 extra_args 参数指定新类别的类别标签。在模型推理时，我们需要将新的类别标签与之前的类别标签合并，并将输出层的大小增加以适应新的类别数量。