多类别图像分类：Yolov8召回率远高于PyTorch版ResNet50的问题求助

我正在做木饰面缺陷的多类别图像分类任务，一共有11个类别，每个类别只有60-150张图片——数据量太少，任务难度确实不小。

我先拿Yolov8和Roboflow 2.0做了基准测试，它们在验证集上的单类别召回率能达到0.5-0.7，这个结果还算说得过去。

但当我用完全相同的数据集，在PyTorch里基于ResNet50训练模型时，情况就特别糟糕：验证集的召回率最高只能到0.1，而且模型明显过拟合，训练集的召回率直接冲到了100%。

以下是我训练ResNet50的核心代码：

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import models

model = models.resnet50(pretrained=True)
num_ftrs = model.fc.in_features
model.fc = nn.Linear(num_ftrs, len(class_names))  # 适配类别数量

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
model = model.to(device)

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9)

def train_model(model, criterion, optimizer, num_epochs=25):
    for epoch in range(num_epochs):
        # 训练循环的具体逻辑（此处省略）
        ...

有没有大佬能帮我分析下问题出在哪？是我的ResNet50训练配置不合理，还是数据预处理环节没做到位？毕竟用的是完全一样的数据集，结果差距这么大实在让人摸不着头脑，求指点！

备注：内容来源于stack exchange，提问作者Karel Debedts