YOLOv8迁移学习：冻结层后预训练能力丢失，如何保留多目标检测？

为什么冻结前10层仍丢失原有检测能力？ #

核心问题不是冻结层数不足，而是分类头被完全替换+训练数据集单一：

1. YOLOv8预训练权重（yolov8n.pt）自带80个COCO类别的分类头，但你的训练数据集仅包含纸箱一类。训练时模型会根据data.yaml里的类别数自动重新初始化分类头，直接覆盖原有80类检测能力——哪怕冻结了backbone前10层，未冻结的分类头仍会被完全重训，只学习纸箱类别。
2. 冻结前10层仅固定了backbone的部分特征提取能力，但分类头是输出类别的关键模块，它被改成只识别纸箱后，自然无法检测原有物体。

如何同时保留原有检测能力+强化纸箱检测？ #

1. 修改数据配置，保留全类别标签 #

打开你的data.yaml文件，做以下调整：

• nc设置为81（原COCO 80类 + 新增的纸箱类）
• names列表包含原COCO的80个类别名称，最后追加你的纸箱类别（比如"cardboard"）
  这样训练时，模型分类头会保留所有类别，不会被替换。

2. 采用混合数据集训练 #

如果没有足够的原COCO类别样本，可以：

• 将纸箱数据集与少量COCO样本（每类取3-5张图）混合，组成包含所有类别的训练集
• 或者使用YOLOv8的增量学习逻辑，训练时加载原预训练模型的分类头权重，仅针对纸箱类别微调对应分支

3. 调整冻结策略，保护原有分类头 #

先查看模型所有层的索引，再针对性冻结更多层（包括部分分类头）：

from ultralytics import YOLO

model = YOLO('yolov8n.pt')

# 打印所有层的索引与名称，确定冻结范围
for i, (name, param) in enumerate(model.named_parameters()):
    print(i, name)

# 冻结backbone全部层 + 分类头的部分层，仅训练纸箱相关分支
model.freeze(range(20))  # 根据实际层索引调整，确保原有类别参数不被修改

model.train(
    data='/Users/shubhamb/IdeaProjects/transfer-learning/data/data.yaml',
    epochs=25,
    imgsz=416,
    plots=True,
    name="custom_yolov8_model"
)

4. 知识蒸馏辅助训练 #

用原预训练模型作为教师模型，让微调后的学生模型学习原模型的检测知识：

from ultralytics import YOLO

teacher_model = YOLO('yolov8n.pt')
student_model = YOLO('yolov8n.pt')

student_model.freeze(range(10))  # 冻结部分层，仅训练纸箱分支

# 训练时加入蒸馏损失，保留原模型知识
student_model.train(
    data='/Users/shubhamb/IdeaProjects/transfer-learning/data/data.yaml',
    epochs=25,
    imgsz=416,
    plots=True,
    name="custom_yolov8_model",
    distill=teacher_model
)

内容的提问来源于stack exchange，提问作者Shubham B