如何在YOLO v8迁移学习中冻结骨干特征提取层？

在YOLOv8中冻结骨干网络以进行小数据集迁移学习，有两种直接可行的方式：

1. 代码中手动冻结骨干参数 #

加载预训练模型后，直接遍历骨干网络的所有参数并关闭梯度更新：

from ultralytics import YOLO

# 加载预训练YOLOv8模型（以nano版本为例）
model = YOLO('yolov8n.pt')

# 遍历骨干网络的所有参数，设置requires_grad=False以冻结
for param in model.model.backbone.parameters():
    param.requires_grad = False

# 启动训练，传入自定义数据集配置及其他参数
results = model.train(
    data='你的自定义数据集配置.yaml',
    epochs=50,
    batch=16,
    imgsz=640
)

2. 利用训练时的freeze参数指定冻结层数 #

Ultralytics YOLOv8支持通过freeze参数直接指定要冻结的前N层，只需确认骨干网络的总层数即可精准冻结：

• 命令行方式：

yolo train data=你的自定义数据集配置.yaml model=yolov8n.pt epochs=50 freeze=10

• 代码方式：

from ultralytics import YOLO

model = YOLO('yolov8n.pt')
# 冻结前10层（对应YOLOv8n的完整骨干网络）
results = model.train(data='你的自定义数据集配置.yaml', epochs=50, freeze=10)

确认骨干层数的方法 #

如果不确定目标模型的骨干有多少层，可以先打印模型结构查看：

print(model.model)

输出中backbone模块下的所有子层即为骨干部分，数出总层数后设置对应的freeze数值即可。

冻结骨干后，模型仅会训练颈部（neck）和检测头部（head）的参数，完全保留预训练的特征提取能力，适合小数据集场景下的迁移学习，有效避免过拟合。

内容的提问来源于stack exchange，提问作者David