治过拟合按“加数据 > 早停 > 正则化 > 减容量”这个顺序来，一次只动一样，改完就看验证集loss。 最怕的就是一发现过拟合就开始魔改backbone、堆注意力、狂调学习率，折腾一周验证精度纹丝不动——因为方向从一开始就错了。

先花十秒确认是不是真过拟合：训练集loss一直降、验证集loss降到某个拐点后掉头往上，同时训练集准确率逼近满分、验证集却提前停滞，这才是过拟合。如果两个loss都降不下去、准确率都很低，那是欠拟合，方向完全相反。

确诊之后，按下面的顺序出手。

第一招：加数据，这是王道。 过拟合的本质是模型见的样本太少，把训练集的噪声当成了规律。最有效的办法永远是补真实数据——尤其针对表现最差、样本最少的那几个类别，补几十上百张实景图，泛化精度涨得比任何trick都猛。没条件补真实数据，就上数据增强：旋转、翻转、裁剪、颜色抖动，检测任务再加Mosaic和Mixup。但记住一句话，增强要适度，旋转裁剪翻转全开到极限，反而会把有效信息毁掉，验证loss死活降不下来。

第二招：早停，零成本先用上。 别傻等训练跑满100个epoch，在验证loss出现拐点、连续几个epoch不降反升的地方，把当时的模型权重存下来，这就是泛化最好的那一版。现在的框架基本都自带patience参数（比如设10，10个epoch没提升就停），配合保存最优权重（best.pt），一分钱不花就能挡住大半过拟合。

第三招：加正则化，给模型套缰绳。 三样东西按顺序试——先加权重衰减（weight decay / L2），一般设1e-4到1e-2，让参数别长得太夸张；再在全连接层加Dropout（0.3~0.5起步），随机丢神经元逼模型别死记硬背；分类任务还可以上标签平滑（label smoothing），别让模型对答案过度自信。这三样都不用改结构，配置文件里改个数就行。

第四招：减模型容量。 如果数据实在补不动、正则也拉满了还过拟合，说明模型太大、数据撑不起。直接换更小的版本——YOLOv8m换成s甚至n，参数量砍一半，泛化能力往往不降反升。小数据集配大模型，纯属自找过拟合。

第五招：用预训练权重 + 冻结部分层。 小数据集别从零训，加载ImageNet或COCO预训练权重，先冻住backbone只训检测头，训几轮再解冻微调。相当于站在别人学好的通用特征上起步，用少量数据就能收敛，天然抗过拟合。这招对毕设这种数据量普遍不大的场景特别管用。

记住：过拟合九成是数据问题，不是网络问题。省下你搜正则化系数的时间，去多标两百张真实图，比换任何trick都有用。