面向 YOLO 架构的层冻结策略分析：提升迁移学习效能
计算机视觉与模式识别
2025-09-09 v1 人工智能
摘要
You Only Look Once (YOLO) 架构是实时目标检测的关键技术。但在无人机 (UAV) 等资源受限环境中部署时，需高效进行迁移学习。虽然层冻结是常见技术，但不同冻结配置对当代 YOLOv8 与 YOLOv10 架构的具体影响仍未探讨，尤其缺乏关于冻结深度、数据集特性与训练动力学间相互作用的分析。本研究填补此空白，提供层冻结策略的详尽分析。我们系统性地探索 YOLOv8 与 YOLOv10 多种变体的冻结配置，选取四个具挑战性的数据集，涵盖关键基础设施监控场景。我们的 метод结合梯度行为分析 (L2 范数) 与可视化解释 (Grad-CAM)，深入洞察不同冻结策略下的训练动力学。结果显示，不存在通用最优冻结策略，而是依赖数据特性。例如，冻结背部结构可有效保留通用特征，而浅层冻结更适合处理极端类别不平衡。此类配置可将 GPU 内存消耗降低最高 28%，部分情形下的 mean average precision (mAP@50) 甚至超越完全微调。梯度分析亦支持上述结论，显示中等程度冻结模型具有不同收敛模式。最终，本文提供实证发现与实用指南，为资源有限场景下的目标检测平衡迁移学习提供依据。
引用
@article{arxiv.2509.05490,
title = {An Analysis of Layer-Freezing Strategies for Enhanced Transfer Learning in YOLO Architectures},
author = {Andrzej D. Dobrzycki and Ana M. Bernardos and José R. Casar},
journal= {arXiv preprint arXiv:2509.05490},
year = {2025}
}
备注
31 pages, 14 figures, 9 tables