大家好，本篇将详细介绍如何对 YOLOv11 模型进行 冻结前几层进行训练（冻结训练） 和后续 解冻微调，并将其与直接训练效果进行对比，让你对迁移学习策略有更深的理解。

---

🎬 教学视频推荐

本文是参考B站up主视频学习的教程 B站视频教程 一起学习，更直观上手！

<iframe src="//player.bilibili.com/player.html?isOutside=true&aid=114286277953248&bvid=BV1CcRfYUE1J&cid=29254618953&p=1" 
scrolling="no" border="0" frameborder="no" framespacing="0" allowfullscreen="true"></iframe>

---

📌 冻结训练策略简介

在深度学习中，如果你的模型使用了预训练模型，那么前几层已经学会了通用特征（比如边缘、纹理），没必要重复训练。因此我们可以 先冻结前几层，仅训练后面的层，能：

• ⚡ 提高训练速度
• 📉 降低过拟合风险
• 🧠 更快收敛，尤其在小样本场景下

---

🧪 冻结训练前10层（前10轮）

我们先训练10轮，并冻结前10层：

from ultralytics import YOLO

if __name__ == "__main__":
    model = YOLO(r"G:\BaiduNetdiskDownload\yolo_change\yolov11\ultralytics-main\ultralytics\cfg\models\11\yolo11 copy.yaml")
    model.train(
        data=r"G:\BaiduNetdiskDownload\yolo_change\yolov11\ultralytics-main\dataset\dataset\data.yaml",
        epochs=10,
        batch=4,
        freeze=list(range(10))  # 冻结前10层
    )

📸 训练效果如下：

---

🔄 解冻模型再训练10轮

接下来，我们加载上一次的权重（last.pt），并 不再冻结层，再训练10轮：

from ultralytics import YOLO

if __name__ == "__main__":
    model = YOLO(r"G:\BaiduNetdiskDownload\yolo_change\yolov11\ultralytics-main\runs\detect\train7\weights\last.pt")
    model.train(
        data=r"G:\BaiduNetdiskDownload\yolo_change\yolov11\ultralytics-main\dataset\dataset\data.yaml",
        epochs=10,
        batch=4
    )

📸 训练效果如下：

---

📈 与直接训练20轮效果对比

我们还进行了直接训练20轮的实验（未冻结）：

📸 直接训练效果如下：

---

🧠 对比分析

训练方式	mAP表现	训练速度	收敛效果	总体评价
冻结10轮+再训练10轮	表现稳健	快	收敛稳定	✅推荐
直接训练20轮	结果起伏较大，略差	慢	容易震荡	❌可能欠拟合或过拟合

✍️ 小结：

• 本次实验虽然冻结训练效果非常拉胯，几乎没有任何改进，但更稳定
• 若数据量小、模型大，冻结训练更适合避免过拟合
• 若观察过拟合现象明显，再使用该策略将有更大收益！

---

❤️ 如果你觉得有帮助

点个赞 👍、收藏 ⭐、关注我 👣，你们的支持是我持续分享干货的最大动力！

有问题欢迎评论区提问，或者私信交流。我们一起在 AI 路上越走越远！

---