微调而不遗忘：YOLOv8 的适应性调整保持 COCO 性能
计算机视觉与模式识别
2025-05-05 v1 人工智能
摘要
大型预训练目标检测器的成功取决于其对多样化下游任务的适应性。虽然微调是标准的适应方法，但要使这些模型专用于具有挑战性的细粒度领域，需要仔细考虑特征粒度。关键问题仍然存在：预训练骨干网络应该微调到多深，才能在优化特定任务的同时，避免灾难性地遗忘原有的通用能力？为解决这一问题，我们进行了一项系统的实证研究，评估微调深度的影响。我们通过逐步解冻骨干网络层（解冻点分别在第 22、15 和 10 层）并进行训练，将标准的 YOLOv8n 模型适配到一个自定义的细粒度水果检测数据集。性能在目标水果数据集上，并使用双头评估架构在原始 COCO 验证集上进行了严格评估。我们的结果明确表明，与仅训练检测头相比，更深的微调（解冻至第 10 层）在细粒度水果任务上带来了显著的性能提升（例如，绝对 mAP50 提升 10%）。引人注目的是，在所有测试的冻结级别上，这种显著的适应和专精化对 COCO 基准的性能退化可以忽略不计（绝对 mAP 差异小于 0.1%）。我们得出结论，适应中后期骨干网络特征对于细粒度专精化非常有效。至关重要的是，我们的结果表明，这种适应可以在没有通常预期的灾难性遗忘代价的情况下实现，为探索更深的微调策略提供了令人信服的案例，尤其是在针对复杂领域或最大化专精性能至关重要时。
引用
@article{arxiv.2505.01016,
title = {Fine-Tuning Without Forgetting: Adaptation of YOLOv8 Preserves COCO Performance},
author = {Vishal Gandhi and Sagar Gandhi},
journal= {arXiv preprint arXiv:2505.01016},
year = {2025}
}