针对过拟合这一机器学习常见问题，YOLOv12提供多层防护机制：
1. 数据层面策略::
- 确保每类样本≥1000张且场景分布均匀
- 启用–augment参数激活完整数据增强链
- 添加MixUp和CutMix增强（修改hyp.yaml）
2. 模型结构控制::
- 根据数据量选择模型规模（小数据集用Nano/Small）
- 添加Dropout层（修改models/yolov12.yaml）
- 启用Label Smoothing（hyp.yaml中设置label_smoothing=0.1）
3. 训练过程监控::
- 设置–val-skip=5每5轮验证一次
- 观察train/val loss曲线是否发散
- 当map@0.5连续10轮无提升时早停
4. 正则化技术::
- 调整weight_decay=0.0005控制L2正则强度
- 使用Stochastic Weight Averaging（SWA）
- EMA衰减系数设为0.999
验证阶段可采用K折交叉验证（建议K=5），确保模型泛化能力达标。
This answer comes from the articleYOLOv12: Open source tool for real-time image and video target detectionThe
May not be reproduced without permission:AI productivity tools " 怎样避免YOLOv12训练过程中的过拟合问题？
English 
简体中文 
日本語 
Deutsch 
Português do Brasil