🧠 YOLO·迁移学习
30章 垂直实战
🎯 从通用 → 场景
⚡
v8
01
课程导论
什么是迁移学习？为什么YOLO需要迁移学习？课程目标与项目全景预览。
02
YOLO基础回顾
YOLO发展史（v1到v8），核心思想（网格划分、边界框回归），YOLOv8架构简介。
03
环境搭建
GPU驱动与CUDA安装，PyTorch环境配置，Ultralytics库安装与验证。
04
通用模型初探
下载YOLOv8预训练权重，运行官方推理demo，理解模型输出结构。
05
数据集准备（上）
垂直场景数据采集策略，数据清洗与去重，数据标注工具（LabelImg）使用。
06
数据集准备（下）
标注格式详解（COCO vs YOLO），数据集划分（train/val/test），目录结构规范。
07
数据增强
Mosaic、MixUp、HSV扰动等内置增强策略，自定义增强流水线，增强效果可视化。
08
配置文件解析
YOLOv8配置文件（yaml）详解，数据集yaml编写，模型参数调整。
09
第一次训练
从预训练权重开始训练，训练日志解读（loss、mAP、lr），模型保存策略。
10
训练监控
TensorBoard与WandB集成，可视化loss曲线与学习率变化，判断过拟合与欠拟合。
11
模型评估
混淆矩阵、PR曲线、F1曲线，mAP@0.5与mAP@0.5:0.95详解，结果分析报告。
12
超参数调优（上）
学习率、batch size、epochs对训练的影响，我的调参经验分享。
13
超参数调优（下）
权重衰减、动量、优化器选择（SGD vs AdamW），使用Ray Tune自动调参。
14
模型剪枝与轻量化
通道剪枝原理，YOLOv8剪枝实践，剪枝后微调与精度恢复。
15
模型量化
FP16半精度训练，INT8量化原理，TensorRT部署准备。
16
ONNX导出
YOLOv8导出ONNX格式，ONNX Runtime推理，精度对比验证。
17
TensorRT部署
TensorRT引擎构建，动态batch支持，C++/Python推理接口。
18
NMS优化
NMS原理回顾，Soft-NMS与DIoU-NMS，自定义NMS实现。
19
多尺度训练与测试
多尺度训练策略，TTA（测试时增强），效果与速度权衡。
20
类别不平衡处理
Focal Loss原理，数据重采样，类别权重设置。
21
小目标检测优化
小目标检测难点分析，特征金字塔改进，数据增强针对性策略。
22
模型集成
Bagging与Boosting思路，多模型投票融合，WBF（加权框融合）。
23
迁移学习进阶
冻结训练与解冻策略，分层学习率设置，领域自适应技巧。
24
实战项目一：工业缺陷检测
PCB板缺陷检测，从数据采集到部署全流程。
25
实战项目二：智慧农业
水果成熟度识别，小样本迁移学习挑战。
26
实战项目三：安防监控
行人检测，夜间与遮挡场景优化。
27
实战项目四：自动驾驶
交通标志识别，实时性要求下的模型优化。
28
模型服务化
Flask/FastAPI搭建推理API，Docker容器化部署，负载均衡基础。
29
持续学习与模型更新
增量学习策略，数据漂移检测，模型版本管理。
30
课程总结与展望
迁移学习最佳实践总结，YOLO未来趋势（YOLO-World、SAM结合），学习路径推荐。
公众号:蓝海资料掘金营，微信deep3321