Epoch

Epoch 代表机器学习算法对整个 训练数据集 的一次完整遍历。在此过程中，模型有机会根据数据中的每个样本更新其内部参数恰好一次。在 深度学习 环境下，单次遍历通常不足以让 神经网络 有效学习到复杂的模式。因此，训练过程通常涉及多个 Epoch，使学习算法能够迭代地优化其理解，并最大限度地减小其预测结果与实际真值之间的误差。

Link to this sectionEpoch 在优化中的作用#

训练的主要目标是调整 模型权重 以最小化特定的 损失函数。优化算法（例如 随机梯度下降 (SGD) 或 Adam 优化器）会利用每个 Epoch 中计算出的误差来指导这些调整。随着 Epoch 数量的增加，模型通常会从高误差状态（随机猜测）转变为较低的误差状态（已学习模式）。

然而，选择正确的 Epoch 数量是 超参数调优 的一个关键环节。

• Epoch 过少： 这可能导致 欠拟合，即模型尚未捕获数据中潜在的趋势。
• Epoch 过多： 这通常会导致 过拟合，即模型记住了训练噪声，而不是泛化到新数据。为了防止这种情况，开发者通常会监控 验证数据 上的性能，并采用 提前停止 等技术，在泛化能力不再提升时停止训练。

Link to this sectionEpoch 与 Batch 与 Iteration 的区别#

初学者常会将“Epoch”与相关术语混淆。理解这些概念的层级对于正确配置 训练循环 至关重要：

• Epoch： 对完整数据集的一次完整遍历。
• Batch（批次）： 同时处理的数据集子集。由于数据集通常太大，无法一次性完全放入 GPU 内存 中，因此它们会被划分为由 批次大小 (batch size) 定义的较小组。
• Iteration（迭代）： 对模型权重的一次更新。如果数据集有 1,000 张图像，且批次大小为 100，则需要 10 次迭代才能完成一个 Epoch。

Link to this section实际应用#

所需的 Epoch 数量因任务的复杂性和数据规模而异。

• 医学图像分析： 在 医学图像分析 中，例如在 MRI 扫描中检测肿瘤，准确性至关重要。为此类任务训练的模型通常需要运行数百个 Epoch。这种广泛的训练可确保 卷积神经网络 (CNN) 能够识别出区分恶性组织与健康组织的细微异常，从而可能挽救生命。
• 自动驾驶： 对于 自动驾驶汽车，目标检测模型必须可靠地识别行人、标志和其他车辆。训练这些稳健的系统通常涉及 COCO 或 Objects365 等海量数据集。尽管数据集规模庞大，模型仍需要多个 Epoch 才能收敛到在各种天气和光照条件下都能良好泛化的方案。

Link to this section使用代码管理训练周期#

使用像 Ultralytics YOLO 这样的现代框架时，定义 Epoch 数量是训练命令中一个简单的参数。像 Ultralytics Platform 这样的工具可以帮助可视化每个 Epoch 的损失曲线，以确定最佳的停止点。

以下示例展示了在训练 YOLO26 模型时如何设置 Epoch 计数：

from ultralytics import YOLO

# Load the YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")

# Train the model for 50 epochs
# The 'epochs' argument determines how many times the model sees the entire dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

在此代码片段中，epochs=50 参数指示训练引擎对 coco8.yaml 数据集循环 50 次。在每个周期中，模型执行 前向传播 和 反向传播 以优化其检测能力。