🧠 YOLO·过拟合&欠拟合
实战诊断与修复
📚 30章完整版
v2.0
01
课程导论：为什么你的YOLO模型总是不收敛？
🚀 开篇
02
过拟合与欠拟合的本质：偏差与方差的博弈
⚖️ 核心
03
诊断工具1：Loss曲线深度解读（训练集 vs 验证集）
📉 曲线
04
诊断工具2：mAP与Recall曲线联合分析
📊 指标
05
诊断工具3：混淆矩阵与分类报告实战
🧮 矩阵
06
诊断工具4：特征图可视化与Grad-CAM热力图
🔥 热图
07
诊断工具5：权重直方图与梯度分布监控
📈 分布
08
数据层面修复1：数据增强的黄金法则 (Mosaic, MixUp, CutOut)
🖼️ 增强
09
数据层面修复2：难例挖掘 (Hard Negative Mining) 与样本平衡
⛏️ 挖掘
10
数据层面修复3：伪标签与半监督学习策略
🏷️ 伪标签
11
模型层面修复1：正则化技术 (L1/L2, Dropout, DropBlock)
🧹 正则
12
模型层面修复2：Batch Normalization与Layer Normalization调优
⚡ 归一化
13
模型层面修复3：注意力机制 (SE, CBAM, CA) 抑制过拟合
👁️ 注意力
14
训练策略修复1：学习率调度 (Cosine Annealing, OneCycleLR)
📅 调度
15
训练策略修复2：早停法 (Early Stopping) 与模型检查点
⏹️ 早停
16
训练策略修复3：标签平滑 (Label Smoothing) 与知识蒸馏
🧪 蒸馏
17
损失函数修复1：Focal Loss解决类别不平衡
🎯 Focal
18
损失函数修复2：CIoU / EIoU / SIoU 损失函数对比
📐 IoU
19
损失函数修复3：辅助损失与多任务学习
🧩 多任务
20
超参数调优1：Grid Search vs Random Search vs Bayesian Optimization
🔧 调优
21
超参数调优2：YOLO专属超参数 (anchor, iou_thr, nms_thr) 调优
⚓ Anchor
22
实战案例1：小目标检测中的过拟合问题与修复
🎯 小目标
23
实战案例2：极端光照条件下的欠拟合问题与修复
☀️ 光照
24
实战案例3：类别极度不平衡 (长尾分布) 下的模型修复
🐍 长尾
25
实战案例4：迁移学习中的灾难性遗忘与微调策略
🔄 迁移
26
实战案例5：多尺度训练与测试时增强 (TTA)
📏 多尺度
27
自动化诊断工具：编写一个YOLO健康检查脚本
🩺 脚本
28
模型压缩与过拟合：剪枝、量化、蒸馏对泛化能力的影响
✂️ 压缩
29
部署环境适配：从PyTorch到TensorRT的精度损失与修复
🚀 部署
30
课程总结与未来展望：YOLOv8/v9/v10最新抗过拟合技术
🔮 展望