目标检测训练常见问题排查清单
本清单覆盖精度异常、速度瓶颈、部署报错三大类高频问题，每个问题对应现象-根因-可落地解决方案，适配主流检测模型（YOLO系列、Faster R-CNN、CenterNet等）。
一、 精度类问题（最核心痛点）
1. 过拟合：训练集mAP高，验证集mAP低/持续下降
| 现象 | 训练损失持续降低，验证损失先降后升；训练集目标检测几乎无漏检，验证集漏检/误检多 |
|---|---|
| 根因 | 1. 训练数据集过小/类别分布不均；2. 数据增强强度不足；3. 模型复杂度远超数据量；4. 正则化策略缺失 |
| 解决方案 | 1.扩充数据：采集同类场景数据，或用Label Studio做半监督标注（伪标签）； 2.增强数据：增加随机裁剪、马赛克（Mosaic）、混合增强（MixUp）、随机擦除（CutOut）；边缘端模型可保留翻转+色域变换，避免增强过度； 3.轻量化模型：换更浅的骨干网络（如ResNet50→ResNet18，CSPDarknet53→CSPDarknet-tiny）； 4.强化正则化：提高权重衰减（weight decay）至0.001；开启Dropout（概率0.2-0.5）；限制模型参数总量 |
2. 欠拟合：训练集/验证集mAP都低，损失下降缓慢
| 现象 | 训练损失始终处于高位；模型对简单目标都漏检，mAP远低于行业基线 |
|---|---|
| 根因 | 1. 学习率设置过低；2. 训练轮数不足；3. 模型复杂度不足；4. 数据增强过度 |
| 解决方案 | 1.调整学习率：将初始LR上调1-5倍（如SGD从0.001→0.005）；改用余弦退火衰减策略； 2.延长训练：增加epochs至200-500，开启早停机制（验证集mAP 10轮无提升则终止）； 3.升级模型：换更深的骨干网络（如MobileNet→ResNet50）；或换精度更高的模型（如YOLOv5s→YOLOv8l）； 4.降低增强强度：减少裁剪比例、关闭Mosaic增强，仅保留基础翻转/色域变换 |
3. 小目标检测差：大目标mAP正常，小目标几乎检测不到
| 现象 | 小目标（像素<32×32）漏检率>50%；标注框越小，检测效果越差 |
|---|---|
| 根因 | 1. 小目标特征被下采样丢失；2. 锚框尺寸不匹配；3. 数据增强损害小目标；4. 损失函数对小目标权重不足 |
| 解决方案 | 1.多尺度训练/推理：训练时设置输入尺寸范围（如320-640px），推理时用大尺寸输入（如800×800）； 2.锚框适配：用自有数据集聚类生成锚框（YOLO系列用 autoanchor工具），增加小尺寸锚框数量；3.优化特征提取：使用FPN/PAFPN特征融合结构，保留高分辨率特征图；CenterNet等无锚框模型增大中心点热力图权重； 4.调整损失函数：边框回归损失改用EIoU Loss（对小目标更友好）；给小目标标注框分配更高的损失权重 |
4. 正负样本不平衡：少数类目标检测效果极差
| 现象 | 数据集中占比低的类别mAP接近0；模型优先检测多数类目标 |
|---|---|
| 根因 | 1. 少数类样本数量少；2. 损失函数对正负样本权重均等 |
| 解决方案 | 1.重采样：训练时对少数类样本过采样，多数类样本欠采样； 2.损失加权：使用Focal Loss（调节α参数平衡类别权重）；或给少数类标注框设置更高的损失系数； 3.硬样本挖掘：训练时重点关注难分样本（如IoU接近阈值的样本） |
二、 速度类问题（实时性需求必看）
1. 训练速度慢：单轮epoch耗时过长
| 现象 | 单张GPU训练单轮epoch超过1小时；GPU利用率低于50% |
|---|---|
| 根因 | 1. batch size设置过小；2. 数据加载瓶颈；3. 未开启混合精度训练 |
| 解决方案 | 1.增大batch size：设为2的幂次（如8→16→32），显存不足则开启梯度累积（gradient accumulation）； 2.优化数据加载：使用多线程加载（num_workers设为CPU核心数的2倍）；将数据集转为LMDB格式，减少磁盘IO； 3.开启混合精度：用PyTorch的 torch.cuda.amp或MMDetection的auto_fp16，训练速度提升50%-100% |
2. 推理速度慢：FPS低于实时要求（<30）
| 现象 | 模型推理单张图耗时>30ms；边缘端部署时FPS不足 |
|---|---|
| 根因 | 1. 模型参数量/计算量过大；2. 未做推理优化；3. 输入尺寸过大 |
| 解决方案 | 1.模型轻量化：换轻量骨干网络（如ResNet→MobileNet/ShuffleNet）；使用模型蒸馏（用大模型指导小模型训练）； 2.推理优化：导出为ONNX格式，用TensorRT/TorchScript做量化（INT8量化速度提升2-5倍）；裁剪模型冗余层； 3.调整输入尺寸：降低推理分辨率（如640×640→416×416），需平衡精度与速度 |
三、 部署类问题（边缘端/工程化必遇）
1. 模型导出报错：无法转为ONNX/TFLite格式
| 现象 | 导出时提示“不支持的算子”；导出后推理结果与PyTorch原生结果差异大 |
|---|---|
| 根因 | 1. 模型含自定义算子；2. 动态维度未指定；3. 版本不兼容 |
| 解决方案 | 1.替换自定义算子：将自定义层替换为框架原生算子（如YOLO的Focus层替换为切片操作）； 2.指定静态维度：导出ONNX时固定输入尺寸（如 opset_version=12，dynamic_axes=None）；3.匹配版本：确保PyTorch/ONNX/TensorRT版本兼容（推荐PyTorch 1.12+，ONNX 1.12+） |
2. 边缘端部署精度下降：量化后mAP大幅降低
| 现象 | INT8量化后mAP下降超过10%；模型出现大量误检 |
|---|---|
| 根因 | 1. 量化校准数据集不具代表性；2. 敏感层被量化 |
| 解决方案 | 1.优化校准集：选择与测试集分布一致的100-500张图片做量化校准； 2.量化感知训练：训练时插入量化节点，让模型适应量化误差； 3.跳过敏感层：对特征融合层、注意力层等敏感层保留FP32精度 |
