环境配置与基础教程：学习率调度器深度对比：Cosine、Warmup、MultiStep 在 YOLO 训练中的选型策略

开篇：一个被忽视的“隐形舵手”

上一周，我接手了一个用YOLOv5做工业缺陷检测的项目。团队已经调了快两个月，数据增强换了七八种方案，backbone也从默认的CSPDarknet换成了更轻量的MobileNet变体，但验证集上的mAP始终在0.82附近徘徊，而且每跑两三轮就会剧烈震荡——loss明明还在降，指标却像心电图一样上蹿下跳。

我盯着训练曲线看了半小时，突然意识到问题可能不在模型结构，也不在数据增强，而在于一个被所有人当成“默认配置直接跳过”的环节：学习率调度器（Learning Rate Scheduler）。团队用的是最朴素的StepLR——每30个epoch把学习率乘以0.1。这个策略在5年前的经典论文里没什么问题，但面对他们只有预训练数据十分之一规模的小数据集，学习率在第30个epoch骤降时模型还没充分学习，直接导致了后期欠拟合。

改掉调度器之后，同样的模型、同样的数据，mAP从0.82拉到了0.87——没有任何其他改动。这件事让我深刻意识到，学习率调度器不是“设个初始值就扔在那不管”的背景参数，而是决定模型能否稳定收敛、能收敛到多好的关键变量。

2026年初，Ultralytics YOLO26正式发布，官方在训练策略上做了多项重要更新，包括引入ProgLoss（渐进式损失平衡）、STAL（小目标感知标签分配）和MuSGD优化器。根据Ultralytics官方博文，YOLO26的训练系统从设计之初就围绕“训练稳定性”构建，特别强调“更快收敛、更可靠的训练过程、以及跨模型尺寸的一致行为”——而学习率调度策略正是这套训练系统的核心组件之一。

本文将基于2