（150轮）是更好的选择，因为它避免了后期过拟合的影响。但从用户的曲线来看，（如余弦退火的当前学习率）。（150轮0.58→200轮0.60），说明模型在。（200轮的结果）来看，last.pt。（如AdamW的动量、自适应学习率）和。用户的曲线显示，mAP50-95(B)（如验证集损失在150轮后持续上升，结合用户的曲线，last.pt。（150轮后保持稳定），说明。≈0.78）与训练集损失（用

将YOLOv8目标检测模型与PaddleOCR文字识别模型结合部署至移动端或嵌入式设备，需经过模型转换、优化及框架适配等关键步骤。

置信度是模型对“某个检测框是否真实存在目标”的可信程度评分，取值范围为0 ~ 1。值越高，表示模型越“自信”这个框里有目标。值越低，表示模型认为可能是噪声或模糊目标。IoU 是两个边界框（Bounding Box）之间的重叠程度IoU = 交集面积 / 并集面积0 ~ 10：完全不重叠1：完全重合推理时输入模型的图像尺寸，通常是一个正方形尺寸，如640x640。YOLO 模型在训练时使用固定尺寸输

步骤操作1用导出标准模型（无 NMS）2准备校准数据（320x320 图像，numpy 格式）3用生成 INT8 ONNX4C++ 用 ONNX Runtime 加载int8.onnx模型推理这样你就能在环境下实现INT8 量化加速。

原始尺寸缩放后有效区域填充区域占比有效像素利用率推理效果预期320 × 180上下大黑边56.25%⬇️ 较差235 × 320左右小黑边73.4%✅ 更好✅有效像素利用率越高 → 输入模型的“真实图像内容”越多 → 特征越丰富 → 检测效果越好。

置信度是模型对“某个检测框是否真实存在目标”的可信程度评分，取值范围为0 ~ 1。值越高，表示模型越“自信”这个框里有目标。值越低，表示模型认为可能是噪声或模糊目标。IoU 是两个边界框（Bounding Box）之间的重叠程度IoU = 交集面积 / 并集面积0 ~ 10：完全不重叠1：完全重合推理时输入模型的图像尺寸，通常是一个正方形尺寸，如640x640。YOLO 模型在训练时使用固定尺寸输

维度全连接神经网络（FCNN）卷积神经网络（CNN）连接方式全局连接，参数密集局部连接，权重共享，参数稀疏特征提取全局信息，无层次性局部到全局的层次化特征输入适应性需固定维度，难处理高维数据支持可变输入尺寸，适合图像、序列数据典型应用表格数据分类、简单回归任务图像识别、目标检测、语音处理未来趋势：两者常结合使用（如CNN提取特征后接FCNN分类），同时研究者探索混合架构以平衡效率与通用性。

通过上述配置与优化策略，可显著提升YOLOv8在复杂场景下的检测性能。建议优先调整数据增强参数，再逐步优化模型结构与训练策略。使用TensorBoard监控损失曲线，对比不同参数组合的验证集mAP和推理速度。减少30%显存占用，同时提升15%训练速度。自动适配显存容量，配合。

数据侧：增强多样性、平衡分布、提升质量；模型侧：优化结构、引入正则化、调整复杂度；训练侧：动态调度参数、早停、对抗训练。最终目标是实现低偏差-低方差的均衡状态，使模型在未知数据中保持高准确性与鲁棒性。

将YOLOv8目标检测模型与PaddleOCR文字识别模型结合部署至移动端或嵌入式设备，需经过模型转换、优化及框架适配等关键步骤。