治过拟合按“加数据 早停 正则化 减容量”这个顺序来一次只动一样改完就看验证集loss。最怕的就是一发现过拟合就开始魔改backbone、堆注意力、狂调学习率折腾一周验证精度纹丝不动——因为方向从一开始就错了。先花十秒确认是不是真过拟合训练集loss一直降、验证集loss降到某个拐点后掉头往上同时训练集准确率逼近满分、验证集却提前停滞这才是过拟合。如果两个loss都降不下去、准确率都很低那是欠拟合方向完全相反。确诊之后按下面的顺序出手。第一招加数据这是王道。过拟合的本质是模型见的样本太少把训练集的噪声当成了规律。最有效的办法永远是补真实数据——尤其针对表现最差、样本最少的那几个类别补几十上百张实景图泛化精度涨得比任何trick都猛。没条件补真实数据就上数据增强旋转、翻转、裁剪、颜色抖动检测任务再加Mosaic和Mixup。但记住一句话增强要适度旋转裁剪翻转全开到极限反而会把有效信息毁掉验证loss死活降不下来。第二招早停零成本先用上。别傻等训练跑满100个epoch在验证loss出现拐点、连续几个epoch不降反升的地方把当时的模型权重存下来这就是泛化最好的那一版。现在的框架基本都自带patience参数比如设1010个epoch没提升就停配合保存最优权重best.pt一分钱不花就能挡住大半过拟合。第三招加正则化给模型套缰绳。三样东西按顺序试——先加权重衰减weight decay / L2一般设1e-4到1e-2让参数别长得太夸张再在全连接层加Dropout0.3~0.5起步随机丢神经元逼模型别死记硬背分类任务还可以上标签平滑label smoothing别让模型对答案过度自信。这三样都不用改结构配置文件里改个数就行。第四招减模型容量。如果数据实在补不动、正则也拉满了还过拟合说明模型太大、数据撑不起。直接换更小的版本——YOLOv8m换成s甚至n参数量砍一半泛化能力往往不降反升。小数据集配大模型纯属自找过拟合。第五招用预训练权重 冻结部分层。小数据集别从零训加载ImageNet或COCO预训练权重先冻住backbone只训检测头训几轮再解冻微调。相当于站在别人学好的通用特征上起步用少量数据就能收敛天然抗过拟合。这招对毕设这种数据量普遍不大的场景特别管用。记住过拟合九成是数据问题不是网络问题。省下你搜正则化系数的时间去多标两百张真实图比换任何trick都有用。