共计 3997 个字符，预计需要花费 10 分钟才能阅读完成。

1) 训练流程速写（心智模型）

1. 确定数据口径：第 1 课的数据体检通过；data.yaml、类别顺序稳定。
2. 基线训练：yolov8n.pt 小模型先跑 50–100 epoch，锁住随机种子，保留曲线与样例可视化。
3. 单因子实验：一次只改一个变量（LR、imgsz、增强开关等），记录变化。
4. 对照验证：固定评估集与评估脚本，报告 mAP、Precision/Recall 与速度。
5. 上线友好：更少花哨增强、更稳定的推理时延、可复现日志。

---

2) 学习率与优化器（性能的方向盘）

2.1 基本参数

• lr0：初始学习率（warmup 之前的起点）。
• lrf：最终学习率相对 lr0 的比例（Cosine 时常见 0.01~0.2）。
• momentum / weight_decay：动量与权重衰减（正则）。
• optimizer：SGD / Adam / AdamW（小数据或迁移学习常选 AdamW）。
• cos_lr=True：使用余弦退火；warmup_epochs 控制预热。

2.2 常用组合

# A) 基线：SGD + Cosine + 适中衰减
yolo train model=yolov8n.pt data=data.yaml epochs=100 imgsz=640 batch=auto \
  optimizer=SGD lr0=0.01 lrf=0.01 momentum=0.937 weight_decay=0.0005 \
  cos_lr=True warmup_epochs=3 patience=20

# B) 小数据 / 迁移：AdamW + 稍大衰减
yolo train model=yolov8s.pt data=data.yaml epochs=100 imgsz=640 batch=auto \
  optimizer=AdamW lr0=0.001 lrf=0.01 weight_decay=0.01 cos_lr=True patience=30

诊断：

• 早期 loss 高速下降→震荡→发散：lr0 太大；
• 始终缓慢下降、长期不收敛：lr0 太小或模型容量不足；
• 验证指标先升后跌：过拟合，考虑早停 / 正则 / 增强。

---

3) 批大小、图像尺寸与训练时长

• batch：越大估计越稳，但显存压力大；显存吃紧时降 imgsz 比硬怼 batch 更稳。
• imgsz：常见 640；目标很小或高分辨率场景尝试 768/896；移动端倾向 512/416。
• epochs & patience：总轮次与早停容忍度；小数据适度拉长 patience，避免错过缓慢提升。

yolo train model=yolov8n.pt data=data.yaml epochs=150 imgsz=512 batch=32 patience=50

经验曲线：优先调 imgsz→lr→增强→epochs。指标无感时再换模型大小（n/s/m/l/x）。

---

4) 迁移学习与冻结（把预训练当“外骨骼”）

• model=yolov8n.pt：加载 预训练权重；
• model=yolov8n.yaml pretrained=yolov8n.pt：从结构 YAML 初始化，再加载预训练；
• freeze：冻结前若干层（降低小数据过拟合与显存占用）。

# 冻结 backbone 前 10 层，先训练头部
yolo train model=yolov8n.pt data=data.yaml epochs=30 freeze=10
# 然后解冻微调
yolo train model=runs/detect/train/weights/last.pt data=data.yaml epochs=70 freeze=0

何时冻结：数据很少（<2k 图）、域差异不大；若域差异大（如可见光→红外），直接全量微调或只冻结开头几层。

---

5) 数据增强策略（稳健优先）

上线友好（建议起步）

yolo train model=yolov8n.pt data=data.yaml epochs=100 imgsz=640 \
  hsv_h=0.015 hsv_s=0.7 hsv_v=0.4 fliplr=0.5 degrees=0.0 translate=0.1 scale=0.5 shear=0.0 \
  mosaic=0.0 mixup=0.0

更激进（竞赛风格）

yolo train model=yolov8m.pt data=data.yaml epochs=300 imgsz=640 \
  mosaic=0.5 mixup=0.2 perspective=0.0005 degrees=5.0 translate=0.2 scale=0.9 \
  fliplr=0.5 flipud=0.2

规律：增强增强的是 鲁棒性与召回 ，可能损失一点精度与可解释性；验证集必须 不含合成痕迹。

---

6) 类别不平衡与小目标

• 类权重：样本极不均衡时可在训练配置里设置 class_weights（或在数据采样阶段做分层 / 重采样）；
• 小目标：减小 imgsz 会放大目标相对尺寸；或选更密集的输入金字塔（多尺度训练）。
• 采样均衡：构建“少数类 oversample 列表”，训练前复制或增广该类样本。

如无现成类权重参数，可从数据侧入手：过采样 + 针对性增强（随机裁剪、缩放）。

---

7) 稳定性与效率（强心针）

• AMP（混合精度）：默认开启，显存降 30%+，速度更快；报 nan 可尝试关闭 amp=False。
• EMA（指数滑动平均）：默认启用能提升泛化；可通过设置关闭 / 开启（不同版本参数名稍异）。
• 梯度裁剪：防爆梯度；若版本提供 grad/clip 参数，可设如 clip=1.0。
• 确定性 & 种子：seed=42；需要完全可复现实验时加 deterministic=True（训练会慢）。
• 梯度累积：当显存不足又想要“大 batch”时开启（具体参数名视版本，可在帮助中查看）。

yolo train model=yolov8s.pt data=data.yaml epochs=100 imgsz=640 batch=auto \
  amp=True seed=42 deterministic=False

---

8) 多 GPU 与分布式

• 单机多卡：device=0,1,2,3；workers 适度增加（一般 4~8）。
• 监控吞吐：关注 img/s、每 step 耗时；I/O 成瓶颈时提高 workers 或将数据存 SSD。

yolo train model=yolov8m.pt data=data.yaml epochs=100 imgsz=640 batch=auto \
  device=0,1 workers=8

---

9) 可视化与日志

• 训练后在 runs/detect/train* 下查看：loss 曲线、mAP、PR 曲线、混淆矩阵、示例可视化；
• tensorboard --logdir runs/ 打开曲线面板；
• 记录配置（超参数、数据版本、commit hash）到 README/MLflow/W&B，保证可复现。

---

10) 常见症状→处理

• loss 变 nan：降低 lr0；关闭 AMP；检查标签是否合法（坐标在 0~1）。
• mAP 不涨：验证集泄漏 / 脏；学习率过小；增强与真实分布差异过大；
• 训练很慢：workers 太小；I/O 瓶颈；imgsz 过大；
• 验证快但线上差：验证集与线上分布不一致；开启过激增强；未做 TTA 与推理阈值调优；
• 召回低：调高 conf/iou 阈值的策略不当；尝试更强增强、更大模型或更高分辨率；
• Precision 低（假阳多）：适当提高推理 conf；降低 mixup/mosaic；清理脏标注。

---

11) 实验设计模板（最小可行）

基线

yolo train model=yolov8n.pt data=data.yaml epochs=100 imgsz=640 batch=auto \
  optimizer=SGD lr0=0.01 lrf=0.01 cos_lr=True seed=42 name=baseline

实验 A：imgsz 768

yolo train model=yolov8n.pt data=data.yaml epochs=100 imgsz=768 batch=auto \
  optimizer=SGD lr0=0.01 lrf=0.01 cos_lr=True seed=42 name=img768

实验 B：AdamW + 冻结 10 层（小数据）

yolo train model=yolov8s.pt data=data.yaml epochs=120 imgsz=640 batch=auto \
  optimizer=AdamW lr0=0.001 lrf=0.01 weight_decay=0.01 freeze=10 seed=42 name=adamw_freeze10

产出表：[实验名, mAP50, mAP50-95, P, R, ms/img, params, FLOPs]，并附 8~12 张 固定样例 可视化图用于主观对比。

---

12) 推理与阈值调优（部署前的最后三步）

# 批量推理，输出到 runs/predict
yolo predict model=best.pt source=images/val conf=0.25 iou=0.7 save=True

• 画 PR 曲线 找到你业务的最佳 conf；
• 若漏检偏多，提高 iou 阈值意义不大，更多来自数据与模型容量；
• 导出部署：yolo export model=best.pt format=onnx dynamic=True（或 TensorRT/OpenVINO 等）。

---

13) 课后练习（建议 90–120 分钟）

1. 构建 基线 与两个 单因子实验（任选：imgsz、lr、optimizer、freeze、mosaic/mixup），对比 mAP50-95 与推理耗时。
2. 选择 12 张固定样例图，导出三组预测可视化，点评优劣。
3. 在验证集上扫描 conf∈{0.25,0.4,0.6}、iou∈{0.5,0.7}，报告 P/R/F1 表，选定上线阈值。
4. （可选）多卡训练一次，对比吞吐与最终指标，记录显存占用。

---

小结

• 先用 小模型 与稳健增强 建立基线，再做 单因子 迭代；
• 学习率是第一调参位；imgsz 与冻结帮助你在显存与过拟合之间找平衡；
• AMP/EMA/ 梯度裁剪保稳定，多卡与日志保效率与可复现；
• 指标 + 样例双视角评估，别被单一数字牵着走。