10 YOLOv11 的“记忆橡皮擦”——用渐进式遗忘机制对抗过拟合

老伙计们，上回我们把AutoAugment从“死板开关”改造成了“活参数”，让模型在训练后期主动降低增强强度。本以为模型能学得既广又精，结果呢？

上周我跑了一个120类的细粒度分类数据集，训练到第80个epoch，验证集mAP开始“心电图式抖动”——涨0.1掉0.2，稳如过山车。打开TensorBoard一看，训练损失还在降，验证损失却拐头向上——过拟合这个老对手，又回来了。

痛点拆解：你以为的“数据增强”其实在“记忆训练”

很多同学遇到过拟合，第一反应是“加数据增强”。但你想过没有？当模型已经记住训练集里那只猫的特定姿势和背景后，再对它做随机裁剪、颜色抖动，它反而在“强化记忆”——因为增强后的样本仍然和原样本高度相关，模型只是在学习“如何从增强版本中恢复原始特征”。

常见错误实现：全周期固定增强策略

# 反例：整个训练周期使用相同强度的增强deftrain_one_epoch(model,loader