Yolov8预训练模型如何新增类别并保留原有类别？

核心问题分析 #

直接用新类别小数据集训练会覆盖原有权重，只修改yaml不加旧类别数据会导致模型遗忘旧类别——这是你之前出现问题的根本原因，不用必须在完整COCO+新类别上从头重训，增量训练才是最优方案。

具体实施步骤 #

• 准备混合数据集：将需要保留的原有COCO类别数据（可以是全部或你需要的子集）和自定义新类别的标注数据合并，确保每个类别都有足够的标注样本（建议每个类别至少几十张，复杂类别需更多）。
• 修改配置yaml：在yaml的names列表末尾添加新类别，同步更新nc（类别总数）。比如原COCO是80类，新增1类后nc: 81，names最后加你的新类别名称。
• 分阶段增量训练：
  1. 加载预训练YOLOv8模型，先冻结backbone（模型的特征提取部分），用较低的学习率训练头部（分类检测层），让模型先学习新类别的特征，同时保留原有backbone的特征提取能力。
  2. 解冻所有层，用稍高的学习率全量微调，让模型融合新旧类别的特征。
     示例代码：

  from ultralytics import YOLO
  
  # 加载官方预训练模型
  model = YOLO('yolov8n.pt')
  
  # 冻结前10层backbone，低学习率训练头部，适配新类别
  model.train(
      data='your_custom_data.yaml',
      epochs=15,
      lr0=0.0001,  # 初始学习率设为常规的1/10
      freeze=10
  )
  
  # 解冻所有层，全量微调，融合新旧类别特征
  model.train(
      data='your_custom_data.yaml',
      epochs=40,
      lr0=0.001,
      freeze=0  # 0表示不冻结任何层
  )
  

避坑指南 #

• 禁止只用新类别数据训练：这样模型会完全覆盖原有权重，直接丢失旧类别检测能力。
• 禁止只修改yaml但不加入旧类别数据：模型没有旧类别的训练样本，推理时旧类别检测效果必然极差。
• 不建议同时运行两个模型：资源占用高，新增类别越多越难维护，增量训练才是可持续的方案。

折中优化（如果不想用完整COCO数据集） #

如果完整COCO数据集太大，你可以只保留需要的原有类别子集（比如你只需要检测人、车、狗），加上新类别数据进行训练，这样训练量大幅降低，同时能保证目标原有类别的检测能力。

内容的提问来源于stack exchange，提问作者Cstocks