139、YOLOv8改进实战：SWA随机权重平均——多快照融合提升泛化能力的代码集成

139、YOLOv8改进实战：SWA随机权重平均——多快照融合提升泛化能力的代码集成

从一次令人崩溃的过拟合调试说起

去年做工业缺陷检测项目，模型在验证集上mAP到了0.89，客户现场一跑直接掉到0.72。那个周末我盯着tensorboard上锯齿状的loss曲线，突然意识到一个问题：我们太迷信单个最优checkpoint了。训练后期模型在验证集上的表现就像过山车，第80个epoch的权重可能比第100个epoch还好，但谁又能保证第80个epoch不是恰好撞上了验证集的“运气”呢？

SWA（Stochastic Weight Averaging）就是来解决这个问题的。它不是让你选一个最好的快照，而是把训练后期多个快照的权重做平均。听起来简单，但实际集成到YOLOv8里坑不少，今天我把踩过的坑和最终方案都摊开来说。

SWA的核心思想：别信单个快照，信平均

传统做法是保存验证集上表现最好的模型权重，但深度学习损失面的结构决定了最优解往往在平坦区域的边缘，稍微扰动一下性能就崩。SWA的做法是：训练后期每隔几个epoch保存一次权重，最后把这些权重做算术平均。

数学上很简单：假设有n个快照，每个快照的权重为θ_i，SWA权重就是θ_swa = (1/n) * Σθ_i。但这个简单的平均在YOLOv8里会遇到两个实际问题：BN层的统计量需要重新计算，以及训练过程中如何优雅地收集快照。

YOLOv8集成SWA的完整代码实现

第一步：修改