YOLO 核心功能与关键配置
三、核心功能与关键配置
模型规模
| 规模档位 | 相对特点 | 典型用途 |
|---|
| 最小档（n 后缀） | 参数最少、最快，精度最低 | 边缘设备实时推理、算力受限的产线工控机 |
| 小档（s 后缀） | 速度与精度较均衡 | 大多数工业质检场景的默认起点 |
| 中档（m 后缀） | 精度更好，速度明显下降 | 目标较小或类别较多时 |
| 大档与特大档（l / x 后缀） | 精度最高，速度最慢 | 服务器端离线分析、对漏检零容忍的场景 |
选型不要凭感觉，做法是：先用最小档跑通全流程，再往上加档直到满足精度要求，同时用真实产线的图测推理耗时。具体精度与速度数值随数据集和硬件变化很大，不要照搬排行榜上的数字。
训练参数
| 参数 | 含义 | 调整方向 |
|---|
imgsz | 输入尺寸 | 小目标多时提高，速度优先时降低；必须与部署时一致 |
epochs | 训练轮数 | 配合早停使用，避免过拟合 |
batch | 批大小 | 受显存限制，太小会让训练不稳定 |
lr0 | 初始学习率 | 过大发散，过小收敛慢 |
optimizer | 优化器 | 默认通常够用，改小数据集时更要多试 |
patience | 早停耐心值 | 防止无效训练浪费时间 |
device | 训练设备 | 显卡编号，多卡训练按需指定 |
workers | 数据加载进程数 | 数据在慢速磁盘上时适当提高 |
推理参数
| 参数 | 含义 | 调整方向 |
|---|
conf | 置信度阈值 | 漏检多就降低，误检多就提高；要按业务成本权衡 |
iou | NMS 的 IoU 阈值 | 目标密集时适当提高，避免把相邻目标抑制掉 |
max_det | 单图最多输出框数 | 密集场景要加大，否则会被截断 |
classes | 只保留指定类别 | 部署时按工位需求过滤，减少后处理负担 |
half | 半精度推理 | GPU 上通常明显提速，需要验证精度损失可接受 |
导出格式
| 格式 | 特点 | 适用 |
|---|
| ONNX | 通用中间格式，跨运行时 | 需要跨平台部署、或交给第三方推理引擎 |
| TensorRT | NVIDIA 显卡上速度最优 | 工控机带 N 卡的生产环境 |
| OpenVINO | Intel 平台优化 | 用 Intel 集成显卡或加速棒的场景 |
| TFLite | 体积小，适合移动端 | 安卓设备与嵌入式板卡 |
| TorchScript | 保留 PyTorch 运行时 | 继续用 Python 部署、不想引入额外引擎 |
