深夜实验室里的困境上周三凌晨两点，隔壁工位的算法工程师小张盯着屏幕叹气。他手里有个新项目：产线上新增了三种缺陷类型，每种缺陷只有不到30张标注图片，产线经理却要求下周上线检测模型。他尝试用标准的YOLOv11训练流程，结果验证集mAP始终卡在0.2左右，模型要么过拟合严重，要么根本学不到有效特征。这个场景你是否也遇到过？少样本学习（Few-Shot Learning）在工业视觉中越来越常见——新品类上市、罕见缺陷检测、定制化需求，都面临标注数据稀缺的难题。今天我们就来拆解如何在极少量标注数据下，让YOLOv11真正“学会”检测。少样本学习的核心矛盾传统目标检测假设我们有大量标注数据，但少样本场景下：模型容易记住少数样本的噪声而非通用特征背景与目标的区分边界模糊数据增强容易破坏本就稀缺的语义信息直接加载COCO预训练权重然后微调？大概率会失败。预训练模型在千万张图片上学到的是通用物体表征，但面对工业缺陷、医疗影像等专业领域，域间差距太大。实战策略：三步走方案第一步：特征空间预热不要一上来就解冻全部层。先冻结骨干网络，只训练检测头：# 加载预训练模型model