过拟合在YOLOv8训练中表现为：训练loss持续下降、验证loss先降后升，或训练mAP很高（>0.9）、验证mAP明显偏低，说明模型过度拟合训练数据，泛化能力差。
过拟合在YOLOv8训练中表现为：训练loss持续下降、验证loss先降后升，或训练mAP很高（>0.9）、验证mAP明显偏低（
怎么调 model.train() 里的增强参数？
所有增强都通过 model.train() 的 keyword 参数控制，无需改源码。关键不是“全开”，而是按过拟合程度分级加力：
-
mosaic设为0.8：比默认1.0更稳妥，避免四图拼接时小目标被切碎；过拟合严重时可试0.9，但别到1.0 -
mixup从0.0改成0.2～0.3：混合两张图能强制模型学习目标边界而非像素记忆；超过0.4容易模糊标签，尤其类别多时 -
hsv_h/hsv_s/hsv_v分别调到0.02、0.8、0.6：比默认值略高，增强色彩鲁棒性，但hsv_s超过0.9会导致饱和度过高失真 -
flipud开到0.1～0.2：上下翻转常被忽略，对无人机俯拍、产线侧拍等场景特别有用
为什么 label_smoothing=0.1 比 dropout 更适合YOLOv8？
YOLOv8 的检测头是密集预测（每个grid cell输出多个anchor），传统dropout会破坏位置回归稳定性；而 label_smoothing 在损失计算层平滑真实标签（如把 [1,0,0] → [0.9,0.05,0.05]），既防过拟合又不干扰坐标回归。实测开启后，验证集mAP波动减小，且训练更稳定——只需在 model.train() 中加一个参数：label_smoothing=0.1。
哪些增强容易引发新问题？
增强不是越强越好，以下组合要小心：
立即学习“Python免费学习笔记（深入）”；
-
mosaic=1.0+copy_paste=0.3：目标密度爆炸，模型可能学不会“单个目标”的特征，反而专注“堆叠模式” -
degrees=30+scale=0.9：旋转+大幅缩放后，小目标可能缩到不足16×16像素，在特征图上直接消失 -
mixup=0.5+hsv_v=0.8：双重亮度扰动会让部分样本接近纯黑/纯白，损失函数梯度异常，训练中途 loss 突然飙升
真正难处理的是小目标过拟合——它往往和增强参数无关，而是图像分辨率太低或 anchor 匹配策略失效，这时得调 imgsz 或重设 anchors，不是靠调增强能解决的。
