为探究迁移学习对模型识别效果的影响，本文基于RetinaNet、EffcientDet、YOLOv5n、YOLOv8n和YOLOv10n 5种模型，分析对比了在迁移学习和随机初始化两种条件下模型的识别性能。模型训练结果的精度如表1所示，评价指标变化曲线如图3所示。

由表1和图3可知，无论采用随机初始化权重还是迁移学习方法，随着训练轮数的增加，5种模型（RetinaNet、EffcientDet、YOLOv5n、YOLOv8n和YOLOv10n）的检测性能呈现出明显的上升趋势，表明在模型训练过程中，持续的迭代更新是提高模型的检测精度和泛化能力的关键因素。具体来看，训练初期，训练轮数为50时，各模型的性能指标较低，存在较大的提升空间，随着训练轮数增至200，各模型性能有较为明显的提升，其中，使用迁移学习方法训练的YOLOv8n模型性能最优，相比训练初期，P、R、mAP₅₀和mAP_50-95分别提升2.8、1.7、0.9和6.2个百分点。

相比随机初始化权重法，使用迁移学习方法训练时，模型在初始阶段展现出了更好的性能。在训练轮数为50时，迁移学习方法训练的YOLOv8n模型的P为96.5%，R为92.5%，mAP₅₀为96.1%，mAP_50-95为76.9%，相比随机初始化权重法，P、R、mAP₅₀和mAP_50-95分别高出2.0、11.7、6.8和10.0个百分点。迁移学习在训练过程中对模型的性能表现出持续的促进作用，当训练轮数为200时，相比随机初始化权重法，YOLOv8n模型的检测精确度为99.3%，召回率为94.2%，mAP₅₀为97.0%，mAP_50-95为83.1%，P、R、mAP₅₀和mAP_50-95仍分别高出0.7、3.4、1.0和4.0个百分点。迁移学习提高了模型对新数据集的适应性，增强了模型的泛化能力。模型能够更快地捕捉到数据集中的关键特征信息，并在处理不同的测试数据时，保持较高的性能。