团队博客三：模型训练与优化 · 从过拟合到高精度

作者：张钧瑞

这一阶段是项目最耗费时间和精力的部分——训练与调参。

初次训练与速度瓶颈
我们首先选用了较大的 YOLO11s 模型作为起点。由于显存限制，Batch Size 只能设为4。首次训练因为分辨率过高，一个Epoch竟然要跑半个小时！通过讨论，我们果断将输入分辨率降至 960，张钧瑞优化了数据加载参数，速度瞬间提升了数倍。

过拟合与学习率调整
初次训练100轮后，模型的 mAP50 达到了 0.798。我们尝试继续追加训练轮次，但发现验证集精度不升反降。李润泽分析后认定，这是典型的过拟合现象。我们调整策略，使用较低的初始学习率进行微调，但发现进一步增加数据量和特征多样性才是打破瓶颈的关键。

阶段性测试结论
经过反复测试，我们保留了初次训练的模型作为最佳版本。最终的测试结果显示：

整体 mAP50: 0.806

车辆检测 mAP50: 0.908（非常精准）

行人检测 mAP50: 0.705（无人机小目标检测中的优秀表现）

我们的模型在应急救援环境下，已经具备了可靠的实用价值。