VIP20
本课程属于：025-OpenCV　YOLO目标检测 AI视觉与工业视觉 · 共 20 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

YOLO模型过拟合与泛化问题解决方案

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
过拟合的本质
什么是过拟合？训练误差与泛化误差的鸿…
过拟合的本质什么是过拟合？训…
02
泛化的定义
模型在未见数据上的表现能力 · 偏差与方差的权衡
泛化的定义模型
03
YOLO中的过拟合现象
训练集mAP高但验证集mAP低 · Loss曲线分析
YOLO过拟合现象
04
数据量不足
小数据集下YOLO容易过拟合 · 数据增强的必要性
数据量不足YOLO
05
Mosaic数据增强
原理与实现 · YOLOv4/v5的核心增强策略
Mosaic数据增强
06
MixUp与CutMix
混合样本增强 · 提升模型鲁棒性
MixUpCutMix
07
随机擦除与噪声注入
模拟遮挡与传感器噪声 · 防止记忆样本
随机擦除噪声注入
08
学习率调度
Warmup · Cosine Annealing · ReduceLROnPlateau
学习率调度Warmup
09
早停法
监控验证集Loss · 防止过拟合
早停法Loss
10
权重衰减
L2正则化在YOLO中的应用 · 抑制大权重
权重衰减L2
11
Dropout与DropBlock
随机丢弃神经元/特征图 · YOLO中的实践
DropoutDropBlock
12
Label Smoothing
软化标签 · 防止模型过度自信
LabelSmoothing
13
模型剪枝
减少参数量 · 降低过拟合风险
模型剪枝减少参数量
14
知识蒸馏
用大模型指导小模型 · 提升泛化能力
知识蒸馏用大模型指导小模…
15
Batch Size的影响
大Batch Size与泛化能力的关…
BatchSize
16
BN层的正则化效果
Batch Normalizatio…
BN层的正则化效果
17
多尺度训练
YOLO中的多尺度输入 · 增强尺度不变性
多尺度训练YOLO
18
交叉验证
K-Fold在YOLO训练中的应用
交叉验证K-Fold
19
迁移学习
预训练权重的重要性 · 冻结训练策略
迁移学习预训练权重的重要…
20
特征金字塔的过拟合
FPN/PANet的过拟合风险与缓解
特征金字塔的过拟…FPN/PANet
21
Anchor Box的过拟合
聚类Anchor与数据分布匹配
AnchorBox
22
损失函数设计
CIoU Loss与过拟合的关系
损失函数设计CIoU
23
NMS的过拟合
后处理中的过拟合现象
NMS的过拟合
24
测试时增强
TTA提升泛化能力
测试时增强TTA
25
模型集成
多个YOLO模型的集成策略
模型集成YOLO
26
数据清洗
错误标注与噪声数据对过拟合的影响
数据清洗错误标注
27
类别不平衡
长尾分布下的过拟合问题
类别不平衡长尾分布下的过拟…
28
域适应
跨域泛化与过拟合的平衡
域适应跨域泛化
29
监控与可视化
TensorBoard · Weights & Biases监控…
监控可视化
30
综合案例
从过拟合到泛化的完整YOLO训练流程
综合案例YOLO