已经训练好的 YOLO 模型，添加新的识别标签（类别）的步骤和注意事项

在已经训练好 YOLO 模型后添加新的识别标签（类别），可以通过迁移学习的方式高效完成，而不必重新训练整个模型。以下是具体步骤和注意事项：

一、准备工作

1. 保存原模型：确保有原始训练的 checkpoint 文件（如 best.pt 或 last.pt）。
2. 标注新类别数据：为新增类别准备标注数据，格式需与原数据一致（YOLO 格式的 .txt 文件）。
3. 更新配置文件：
   • 修改 data.yaml 增加新类别：

     nc: 81  # 原 80 类 + 新增 1 类
     names: ['person', 'car', ..., 'new_class']  # 添加新类别名称
     

二、迁移学习策略

方法 1：冻结骨干网络，仅训练新类别

适合新增类别与原类别差异较大的场景，可避免遗忘旧知识：

# YOLOv5 示例：冻结前 10 层，仅训练检测头
python train.py --weights yolov5s.pt \
                --data data.yaml \
                --epochs 50 \
                --freeze 0 1 2 3 4 5 6 7 8 9 \
                --lr0 0.001

方法 2：微调整个模型

适合新增类别与原类别相关的场景，需降低学习率防止遗忘：

# YOLOv5 示例：微调整个模型
python train.py --weights yolov5s.pt \
                --data data.yaml \
                --epochs 50 \
                --lr0 0.0001  # 比初始训练小 10 倍

方法 3：为新类别创建单独的检测头

高级方法，需修改模型结构，适合新增类别与原类别差异极大的场景。

三、数据处理策略

1. 数据混合

• 将新旧数据按比例混合，避免新类别数据过少导致过拟合。
• 推荐比例：新增数据占总数据的 20%-50%。

2. 数据增强

• 对新类别数据应用更强的数据增强（如 Mosaic、MixUp），扩充样本多样性。

3. 平衡采样

• 确保训练时新旧类别样本均衡，可使用 class_weights 参数调整：

  # data.yaml 中添加
  class_weights: [1.0, 1.0, ..., 5.0]  # 最后一类为新类别，权重提高 5 倍
  

四、训练流程优化

1. 分阶段训练

1. 阶段 1：冻结骨干网络，仅训练检测头（10-20 轮）。
2. 阶段 2：解冻部分层（如最后几个 CSP 模块），微调（10-20 轮）。
3. 阶段 3：解冻全部层，小学习率微调（10-20 轮）。

2. 早停与检查点

• 使用早停策略，当验证集性能不再提升时终止训练。
• 保存多个检查点（如每 5 轮），防止训练中断。

五、验证与部署

1. 验证新增类别性能

• 使用 val.py 脚本评估模型对新旧类别的检测性能：

  python val.py --weights runs/train/exp/weights/best.pt --data data.yaml
  

2. 导出模型

训练完成后，导出模型用于部署：

# YOLOv5 导出 ONNX 格式
python export.py --weights runs/train/exp/weights/best.pt --include onnx

六、常见问题及解决方法

问题	原因	解决方法
新类别检测率低	数据不足或特征不匹配	增加新类别样本，或对新类别单独进行小学习率训练
旧类别性能下降	灾难性遗忘	降低学习率，增加旧数据比例，或使用知识蒸馏（如保存旧模型作为教师）
训练不稳定	学习率过高或数据不平衡	降低学习率，使用类别权重平衡采样

七、示例：在 YOLOv5 上添加新类别

# 假设已训练好 COCO 80 类模型，现在添加 "cat" 和 "dog" 两个新类别
# 1. 更新 data.yaml
nc: 82
names: ['person', 'bicycle', ..., 'cat', 'dog']

# 2. 准备新类别数据并合并到数据集

# 3. 执行迁移学习（冻结骨干网络）
python train.py --weights yolov5s.pt \
                --data data.yaml \
                --epochs 30 \
                --freeze 0 1 2 3 4 5 6 7 8 9 \
                --lr0 0.001 \
                --batch 16

通过上述方法，你可以高效地为已训练的 YOLO 模型添加新类别，同时保持对原有类别的检测能力。