YOLOv8m训练的棋子检测模型出现误检测，求解决方案

问题背景 #

使用预训练模型yolov8m.pt，基于215张含棋子的图片训练，训练命令如下：

!yolo task=detect mode=train model=yolov8m.pt data={dataset.location}/data.yaml epochs=75 imgsz=800 plots=True

测试时模型检测出训练集中不存在的物体，检测结果如下：

具体解决方法 #

• 补充负样本与优化标注：仅用正样本训练会导致模型无法区分目标与背景，需添加大量不含棋子的背景图作为负样本；同时校验现有215张图的标注，修正漏标、错标问题。
• 调整训练轮次避免过拟合：215张小数据集用75epoch易过拟合，建议将epoch降至20-40，观察验证集mAP，当性能下降时停止训练。
• 提高推理置信度阈值：推理时设置更高的置信度过滤低置信度误检，示例命令：

!yolo task=detect mode=predict model=best.pt source=test_img.jpg conf=0.5

• 换用轻量模型或冻结预训练层：YOLOv8m参数量大，小数据集易过拟合，可尝试yolov8n.pt/yolov8s.pt，或冻结大部分预训练层仅训练头部网络。
• 优化后处理参数：调整NMS的IoU阈值（如设为0.5）减少误检框，推理命令添加iou=0.5；同时确认data.yaml中仅定义“棋子”单一类别。
• 分析误检样本并补充数据：收集误检图片，分析误检物体与棋子的相似特征，针对性补充对应场景的正负样本，提升模型区分能力。

内容的提问来源于stack exchange，提问作者gurselturkeri