写在前面目标检测模型的训练，长期以来被一个核心矛盾所困扰：SOTA模型需要海量标注数据，而真实业务场景往往只有几百张甚至几十张标注样本。工业质检、电力巡检、农业病虫害监测、安防监控——这些场景有一个共同特征：数据获取成本极高，标注难度大，正负样本极度不均衡。用几千张COCO级别的数据去训练一个YOLOv11？不现实。但不用预训练权重从头训练？更不现实。迁移学习，是破解这一困局的唯一钥匙。本文将围绕“从COCO预训练权重到自定义小数据集的完整迁移学习Pipeline”展开，覆盖数据准备、模型选型、训练策略、调参技巧、部署优化五大环节，并结合近三个月内YOLO系列的最新进展（YOLOv11、YOLOv12、YOLO26）提供可落地的实操方案。一、问题定义：小数据集上训练YOLO的三大挑战在开始讲方案之前，先搞清楚我们面临的核心问题是什么。1.1 数据稀缺：几十张图能训练出可用的检测器吗？根据2026年发表的研究，在智能制造场景中，采用迁移学习策略后，每类仅需40张标注样本即可实现可靠的检测效果，轻量级模型如YOLOv8n和YOLOv8s在数据稀缺的工业应用中表现尤为突出。40张。这个数字对于很多工业场景来说，是完全可以接受的标注成本。但前提是：必须正确使用迁移学习。如果只是把预训练