在 YOLOv 系列模型的实际训练中，有很多参数可以根据需求调整，这些参数直接影响模型的训练效率、精度和泛化能力。下面用通俗易懂的方式介绍最常用的可修改参数，包括它们的作用、影响以及调整方法：

一、基础训练控制参数

1. 批次大小（batch size）

• 是什么：每次送入模型训练的图片数量（比如一次送 16 张图）。
• 影响：
  • 太大：需要更多 GPU 显存，可能导致 “显存不足” 报错；但训练更稳定（噪声小）。
  • 太小：显存压力小，但训练波动大（每次更新参数受单张图影响大），可能不收敛。
• 怎么改：
  • 看 GPU 显存：显存大（如 24G 以上）可以调大（16→32）；显存小（如 8G）调小（8→4）。
  • 原则：在不爆显存的前提下，尽量选能稳定训练的最大值。

2. 训练轮数（epochs）

• 是什么：整个数据集被模型 “学” 几遍（比如 300 epochs 就是把所有数据重复学 300 次）。
• 影响：
  • 太少：模型没 “学透”，欠拟合（训练集和测试集精度都低）。
  • 太多：模型 “死记硬背” 了训练数据，过拟合（训练集精度高，测试集精度低）。
• 怎么改：
  • 先从常用值（如 300、500）开始，观察 “验证集精度”：当精度不再提升时，及时停止（早停策略）。
  • 数据量少（如几千张图）：epochs 可以小些（200-300）；数据量大（几万张）：可以大些（500-1000）。

3. 学习率（learning rate）

• 是什么：模型 “更新参数” 的 “步长”（类似人走路的步子大小）。
• 影响：
  • 太大：步子太大，模型参数 “震荡”，不收敛（精度忽高忽低）。
  • 太小：步子太小，训练慢，迟迟达不到最优精度。
• 怎么改：
  • 初始值：YOLOv 常用 0.001（0.0001-0.01 之间试）。
  • 训练中调整：用 “学习率衰减”（比如每 100 epochs 缩小 10 倍），后期步子小一点，精细调整。
  • 看损失曲线：如果损失波动大，调小；如果损失下降慢，适当调大。

二、数据与输入相关参数

1. 输入图像尺寸（image size）

• 是什么：输入模型的图片大小（比如 640x640，YOLOv 默认值）。
• 影响：
  • 太大（如 800x800）：细节更多，小目标检测更准，但计算变慢（训练和推理都慢），显存需求增加。
  • 太小（如 416x416）：速度快，但可能丢失细节（大目标边缘模糊，小目标直接 “看不清”）。
• 怎么改：
  • 检测小目标（如蚂蚁、远处的人脸）：调大（640→800）。
  • 追求实时性（如视频监控）：调小（640→416）。
  • 注意：尺寸需是 32 的倍数（YOLOv 网络结构要求，比如 416、640、832）。

2. 数据增强参数（如翻转、缩放、裁剪等）

• 是什么：训练时对图片做随机处理（比如左右翻转、放大缩小、加噪声），让模型见更多 “变种” 数据。
• 影响：
  • 增强太弱：模型容易 “认死理”（只认识训练集中的图片样式），过拟合。
  • 增强太强：图片被改得 “不像样”（比如过度裁剪导致目标消失），模型学不到有效特征。
• 怎么改：
  • 数据多样性少（如只有白天的图）：增加增强（加亮度 / 对比度调整、模拟阴天）。
  • 目标方向固定（如都是正面的车）：加随机旋转（±15 度）。
  • 小目标多：少用 “缩小裁剪”（避免小目标被裁掉）。

3. 类别数量（num_classes）

• 是什么：模型需要检测的目标类别数（比如检测 “人、车、狗” 就是 3 类）。
• 影响：必须和数据集的类别数一致！否则训练会报错，或检测结果混乱（把 “车” 识别成 “人”）。
• 怎么改：直接在配置文件（如 yolov5 的.yaml 文件）中修改，比如nc: 3（表示 3 类）。

三、目标检测核心参数

1. 锚框（anchors）

• 是什么：YOLOv 预设的 “目标框模板”（比如几个不同大小的矩形框），模型基于这些模板预测目标位置。
• 影响：预设锚框和你的数据中目标大小不匹配时，检测精度会下降（比如用大锚框检测小蚂蚁，很难对准）。
• 怎么改：
  • 用工具对自己的数据集 “聚类”（统计所有目标的宽高，算出最匹配的锚框尺寸）。
  • 替换配置文件中的anchors参数（比如原来的大锚框换成小的，适合小目标）。

2. 置信度阈值（confidence threshold）

• 是什么：过滤 “不靠谱” 的预测框（比如模型认为 “这是车” 的概率低于 0.5，就删掉这个框）。
• 影响：
  • 太高（如 0.8）：会漏掉很多 “不太确定” 的目标（漏检）。
  • 太低（如 0.2）：会多出很多错误框（误检，比如把石头当成车）。
• 怎么改：
  • 训练时：影响损失计算（过滤低置信度框的损失），一般设 0.5。
  • 推理时（实际使用时）：根据需求调，比如安防场景怕漏检就调低（0.3），精确计数场景就调高（0.7）。

3. IoU 阈值（Intersection over Union）

• 是什么：判断两个框 “重叠程度” 的指标（值 0-1，越大重叠越多），用于 “非极大值抑制（NMS）”（去掉重复框）。
• 影响：
  • 太高（如 0.8）：允许更多重叠框存在（比如密集人群中，可能保留多个框）。
  • 太低（如 0.4）：会误删有用的框（比如两个挨得近的车，可能只留一个）。
• 怎么改：
  • 目标密集（如人群、鱼群）：调高点（0.6-0.7）。
  • 目标稀疏（如空旷马路上的车）：调低些（0.5）。

四、正则化参数（防过拟合）

1. 权重衰减（weight decay）

• 是什么：给模型参数 “加惩罚”，不让参数值太大（避免模型 “死记硬背” 训练数据）。
• 影响：
  • 太大：惩罚太重，模型 “不敢学”，欠拟合（精度低）。
  • 太小：惩罚太轻，容易过拟合（训练好测试差）。
• 怎么改：常用 0.0005，过拟合时调大（0.001），欠拟合时调小（0.0001）。

2. dropout（随机失活）

• 是什么：训练时随机 “关掉” 一部分网络节点，强迫模型用不同节点组合学习（避免依赖某几个节点）。
• 影响：
  • 开启（如 dropout=0.2）：增强泛化能力，防过拟合，但训练变慢。
  • 关闭：训练快，但可能过拟合。
• 怎么改：数据少、容易过拟合时开启（0.1-0.3）；数据多、训练稳定时可以关闭。

总结：根据问题调参数

• 精度低、欠拟合：增加 epochs、调大学习率、调大输入尺寸、减弱权重衰减、减少 dropout。
• 过拟合（训练好测试差）：增加数据增强、调大权重衰减、开启 dropout、减少 epochs。
• 速度慢：调小输入尺寸、调小 batch size、减少 epochs。
• 小目标检测差：调大输入尺寸、重新聚类小锚框、减弱 “缩小裁剪” 的数据增强。

实际训练中，建议一次只改 1-2 个参数，观察效果，逐步优化～