用途：当用户提出提升 mAP、模型过拟合、训练发散、读取 results.csv 或解读结果等需求时，用该技能先读训练记录再改参数，results.csv 与混淆矩阵通常已指出问题所在。
主要能力：按尝试成本从低到高排序排查——先看轮数与调度（欠训练表现类似其他问题，排除成本仅为时间）；再调数据增强（影响泛化差距且不增加每轮算力）；然后调损失权重与学习率；模型规模仅在训练损失仍在下降且训练/验证曲线接近（欠拟合）时才放大；分辨率因算力随 imgsz 平方增长，640 到 1280 约需 4 倍预算，且预训练权重迁移变差，需用目标尺寸论证而非默认首选；数据、标注质量与类别平衡上限最高但最慢，包内无数据集分析工具，需自行写脚本并看图。
诊断循环：用 pandas 读取 runs/detect/train/results.csv，去除列名空格，打印末 10 行的 epoch、train/box_loss、val/box_loss、metrics/mAP50(B)、metrics/mAP50-95(B)，并输出最佳 epoch 与总轮数。随后依次看：最佳轮数对比总轮数（欠/过/合适）、训练与验证损失趋势（泛化差距方向）、mAP50 与 mAP50-95（分类召回 vs 定位）、工作点 P 与 R（过度抑制 vs 过度触发）、各类 AP 分布（单类损坏还是整体弱）、混淆矩阵背景行列（误报 vs 漏检）。references/diagnostics.md 将每种模式映射到原因与旋钮，并列出调旋钮前需排除项；references/task-notes.md 覆盖 detect、segment、semantic、pose、obb、classify、depth 细节。
默认陷阱：optimizer=auto 会忽略 lr0 与 momentum，按迭代数在 MuSGD（lr 0.01）与 AdamW（0.002*5/(4+nc)）间切换并强制 warmup_bias_lr=0，跨阈值会静默换优化器；nbs=64 归一化损失，batch 不按预期缩放学习率；close_mosaic=10 在最后 10 轮关闭 mosaic，mAP 末段跳升源于此；detect 的 fitness 仅用 mAP50-95，best.pt 与 patience 忽略 P、R、mAP50；max_det=300 会截断密集场景验证；YOLO26 end2end 模型无 NMS，iou 无效而 agnostic_nms 仍生效。
推荐配方：yolo train model=yolo26s.pt data=my-data.yaml epochs=200 imgsz=640 batch=16 optimizer=AdamW lr0=0.001 lrf=0.01 cos_lr=True warmup_epochs=3 patience=50 close_mosaic=20。每次只改一项并固定随机种子，小数据集跑动噪声常达 0.5 到 1.0 mAP，低于约 1 点的提升需三个种子确认。
限制：资料未提供数据集分析工具、具体平台与收费信息。