120、YOLOv8改进实战：学习率调度与Warmup——Cosine Annealing与OneCycleLR的对比实验从一次深夜调试说起记得有次跑一个YOLOv8的改进实验，模型结构调了一周，注意力模块、Neck、检测头全换了，结果mAP死活卡在0.52上不去。当时我盯着loss曲线看了半小时——前50个epoch loss降得挺猛，后面直接躺平，像条死鱼。后来无意间把学习率调度从默认的Cosine Annealing换成OneCycleLR，同样的模型，同样的数据，mAP直接跳到0.58。那一刻我才意识到，很多时候瓶颈不在模型结构，而在训练策略。学习率调度这玩意儿，说简单也简单，说玄学也玄学。YOLOv8默认用的是带Warmup的Cosine Annealing，但很多人直接拿过来就用，根本没想过为什么这么配，更没想过换个调度器会怎样。今天我们就拿两个最主流的调度器——Cosine Annealing和OneCycleLR，在YOLOv8上做一次硬碰硬的对比实验。先搞清楚YOLOv8的学习率调度机制YOLOv8的训练脚本里，学习率调度藏在ultralytics/engine/trainer.py的build_optimizer和setup_scheduler方法里。默认配置是：前3个epoch做Warmup，学习率从0线性上升到设定的lr0（默认0.01），然后进入Cosine Annealing阶段，学
