前言

在海洋生物分类、贝壳标本数字化管理等场景中，贝壳识别的自动化需求日益提升，目标检测技术成为实现该需求的核心手段。YOLO 系列算法凭借端到端检测、速度快、精度高的优势，广泛应用于各类目标识别任务。本次实验基于自建贝壳识别数据集，分别采用 YOLOv5、v8、v11、v12、v26 五个版本开展训练，对比不同版本模型在贝壳识别任务中的表现，为同类细粒度目标检测场景提供实操参考。

一、数据集基本信息

本次实验采用自建贝壳识别数据集，所有样本均经过人工精细标注，标注格式为 YOLO 标准 txt 格式，可直接适配各版本 YOLO 模型训练，有效保证标注精度与数据集可用性。为兼顾模型训练效果与泛化能力，采用随机划分方式将数据集分为训练集、验证集、测试集，无样本重叠，各集样本数量明确：训练集 288 张，用于模型核心参数的学习与拟合；验证集 28 张，用于训练过程中超参数调优、模型早停及过拟合抑制；测试集 13 张，用于独立评估各模型最终的实际检测性能。

二、模型训练相关说明

1. 训练模型选择：本次实验选取 YOLO 系列 5 个典型版本，覆盖经典轻量化、中端平衡型、前沿大尺度模型，分别为 YOLOv5、YOLOv8、YOLOv11、YOLOv12、YOLOv26，全面对比不同架构模型在贝壳识别任务中的适配性。
2. 统一训练规范：为保证对比结果的公平性，所有版本模型采用完全一致的训练设置：输入图片尺寸为 640×640（YOLO 系列标准尺寸），搭配相同的批次大小、训练轮数及数据增强策略；均加载官方 COCO 数据集预训练权重，基于迁移学习实现快速收敛，避免小数据集过拟合问题。
3. 训练过程与结果输出：按 YOLO 标准格式组织数据集并配置对应 yaml 文件，依次完成各版本模型的加载与训练；训练过程中实时监控损失曲线、精度（P）、召回率（R）等核心指标，训练结束后保存各版本最优模型权重，同时生成完整的损失曲线、PR 曲线、mAP 曲线等训练结果图，为后续效果分析提供直观依据。

三、实验总结

本次实验完成了 YOLOv5、v8、v11、v12、v26 五个版本在贝壳识别数据集上的全流程训练，各模型均实现良好收敛，无明显过拟合现象，整体检测效果均能满足贝壳识别基本需求，且不同版本模型展现出差异化优势：

1. YOLOv11 作为轻量级模型，收敛速度最快，模型体积最小，推理效率最优，在对检测速度要求高、部署资源有限的场景中具备显著优势；
2. YOLOv26 作为前沿大尺度模型，虽因网络参数更多导致收敛稍慢，但在 mAP@0.5、精度、召回率等核心检测指标上表现最优，贝壳的定位与分类精度更高，适配对识别精度有严格要求的场景；
3. YOLOv8、v12 实现了精度与速度的均衡表现，各项指标处于中等偏上水平，是常规贝壳识别场景的高性价比选择；
4. YOLOv5 作为经典版本，整体训练过程稳定，检测效果表现均衡，社区生态完善、易上手，适合入门级实操与常规场景应用。

本次实验验证了不同版本 YOLO 算法在贝壳识别细粒度目标检测任务中的适用性，实际应用中可根据部署环境、精度需求、速度要求灵活选择模型：追求极致部署速度选 YOLOv11，要求高精度识别选 YOLOv26，兼顾精度与速度则优先考虑 YOLOv8、v12，入门实操与常规场景可选择 YOLOv5。