YOLO11涨点优化：训练技巧 | 使用标签平滑（Label Smoothing）配合余弦退火学习率，防止过拟合，稳步提点

写在前面：为什么你的YOLO11模型总是差那么一口气？

2026年的目标检测圈子，YOLO11已经不是什么新鲜词汇了。自从Ultralytics在2025年正式发布YOLO11以来，它凭借动态卷积核调度、自适应特征融合、统一多任务解码器等一系列架构创新，迅速成为工业界和学术界的主流选择。

但不少开发者遇到了一个共性痛点：模型在训练集上跑得很漂亮，一上验证集就原形毕露——过拟合了。

YOLOv11n 0.986 0.844 —— 来自 Nature 期刊于 2025 年 11 月发布的评测结果显示，YOLOv11n 在训练集上能冲到接近 99% 的准确率，但验证集上却只有 84% 左右，这将近 14 个百分点的差距，正是过拟合最直观的证据。

这篇文章不讲花里胡哨的魔改网络结构，就讲两个零推理开销、经大量实验验证有效、在Ultralytics官方训练框架中开箱即用的正则化技巧——标签平滑（Label Smoothing）和余弦退火学习率（Cosine Annealing LR）。组合使用，稳步提点。

一、先搞清楚YOLO11是谁——从架构到精度，心中有数

1.1 YOLO11的技术底牌

根据Ultralytics官方技术文档，YOLO11相比前代YOL