yolo v8n模型小样本微调总结

目录

一、概述

二、分析

🧩 场景比喻：教小孩认猫

🥶 第一种（训练效果差的那组）

🧠 第二种（训练效果好的那组）

三、参数总结对比

四、总结

1) 预训练模型与冻结（transfer learning & freeze）

2) 训练轮数与学习率（epochs / lr0 / lrf / optimizer）

3) Batch size 与 BatchNorm（batch=1）

4) 数据增强（augmentation）

5) 正则化（dropout）

6) 随机种子（seed）和 workers

7) 其它细节

---

一、概述

最近在使用yolo v8n微调模型时候，由于我只是自己手动标注了10张样本然后进行微调训练。出现了微调效果很差的情况，下边把参数都打印出出来对比。

脚本一：

 results = model.train(data=DATA_YAML,epochs=30,imgsz=640,batch=32,          # 显存不够就调小，如 16/8workers=0,         # Windows 通常设 0；Linux 可设 2-8device=0,          # CUDA:0；若CPU：device='cpu'optimizer="auto",  # auto会覆盖lr0/momentum，自动挑选优化器与学习率lr0=1e-4,          # 若你想固定优化器（如 sgd/adamw）再手动调整lr0/lrflrf=0.01,dropout=0.25,      # 可留可去，小模型可略微正则seed=42,# resume=False,# project="runs/detect",# name="train_det",# exist_ok=True,)<