数据增强

• 图像增强

图像增强（图像增广）是在训练图像上做一系列随机变化，生成相似但不同的训练样本，从而扩大训练集的规模。

图像增强目的：

1. 减少模型对某些属性的依赖，提高模型的泛化能力，比如让模型不那么依赖物体的位置、颜色这些属性。
2. 解决数据集不够大的问题，让模型能学到更多的特征，避免过拟合。

下面介绍一些常用的图像增强技术：

1.Mosaic 增强（YOLO 核心神器）

mosaic

[ moʊˈzeɪɪk ]

n. 马赛克

• 原理 把 4 张图拼成 1 张图，模型一次性学习 4 个场景的目标。
• 优点
  • 增加小目标 / 中目标检测能力
  • 提升背景复杂度，模型更鲁棒
  • 增大有效 batch size
• 效果 模型能学到：不同位置、不同尺度、不同遮挡下的目标。
• 适用：YOLO 全系标配。

YOLO代码

Mosaic 是 YOLO 标配，默认开启

mosaic: 1.0  # 1.0=开启  0.0=关闭

2.MixUp 增强

mix

[ mɪks ]

v. 混合

• 原理
  • 两张图按比例融合：
  • 标签也会一起融合。
• 优点
  • 增强泛化能力
  • 减少过拟合
  • 让模型对噪声更不敏感
• 特点
  • 比 Mosaic 更 “柔和”，不会产生硬边缘。

YOLO代码

MixUp 默认关闭，需要手动开启

mixup: 0.1  # 0.1~0.5 之间，越大越强

写 0.1 就是 10% 概率使用 MixUp，最稳。

3.CutOut / CutMix 增强

Cut

[ kʌt ]

v. 剪切

CutOut（简单直接）

• 原理
  • 随机在图上盖一个黑色矩形 / 灰色矩形
  • 强迫模型不依赖局部纹理，学习全局特征。

CutMix（更高级）

• 原理
  • 把一张图的一块区域剪下来贴到另一张图
  • 标签也跟着迁移
  • 比 CutOut 效果更好，信息损失更少

优点

• 防过拟合
• 提升遮挡场景鲁棒性

YOLO代码

YOLO 里叫 copy_paste 或 erase, 两个开一个就行，erase = 纯 CutOut。

copy_paste: 0.2  # 0.1~0.3 推荐
erase: 0.2       # 随机遮罩块，CutOut 等价效果

4.模拟光学成像增强（最贴近真实场景）

包括以下工业级增强：

• 随机亮度 / 对比度
• 随机饱和度 / 色相
• 高斯模糊 / 运动模糊（模拟摄像头抖动）
• 高斯噪声 / 椒盐噪声（模拟低光画质）
• 直方图均衡化
• 雾、雨、低光模拟（非常实用）

优点

• 让模型适应不同摄像头、不同光线、不同天气 实际部署精度提升最明显

YOLO代码

开启光学成像增强（亮度、模糊、噪声、色调）

全部在 hyp 文件里，默认就是开启的，只需要调节强度：

# 光学增强（全部属于“模拟真实成像”）
hsv_h: 0.015  # 色调
hsv_s: 0.7    # 饱和度
hsv_v: 0.4    # 亮度
degrees: 0.0  # 旋转
translate: 0.1 # 平移
scale: 0.5    # 缩放
shear: 0.0    # 剪切
perspective: 0.0
flipud: 0.0   # 上下翻转
fliplr: 0.5   # 左右翻转
mosaic: 1.0

额外开启：模糊、噪声、雨雪雾（YOLOv8+ 自带）

blur: 0.1      # 高斯模糊
noise: 0.1     # 噪声
weather: 0.1   # 雨/雪/雾/光影

5.最稳增强配置（直接复制覆盖 hyp 文件）

hyp 文件

‌（Hyperparameters file，超参数配置文件）是一个至关重要的 YAML 格式文件。它不定义网络结构，而是控制‌模型如何学习‌，包括优化器行为、数据增强强度、损失函数权重等。

hyp 文件的作用与位置

• 作用‌：覆盖训练脚本中的默认超参数。通过修改此文件，你可以精细调整模型的收敛速度、泛化能力和最终精度，而无需修改代码。
• ‌默认位置‌：yolov8s.pt 相同目录下的 hyp.yaml 文件。
• 自定义位置‌：你可以在训练脚本中指定自定义的 hyp 文件路径，例如：--hyp my_hyp.yaml。

python train.py --hyp my_hyp.yaml

或者，在配置文件中指定：

# train.yaml
path: ../  # dataset path
train: images/train  # train images (relative to 'path') 128 images
val: images/val  # val images (relative to 'path') 128 images

# 指定使用自定义的hyp文件
hyp: my_hyp.yaml

这是工业界最常用、不会崩、精度最高的组合：

mosaic: 1.0
mixup: 0.1
copy_paste: 0.15
erase: 0.2
hsv_h: 0.015
hsv_s: 0.7
hsv_v: 0.4
fliplr: 0.5
scale: 0.5
translate: 0.1
blur: 0.1
noise: 0.05
weather: 0.05

或者 YOLOv8+ 一行代码开启所有增强

from ultralytics import YOLO

model = YOLO("yolov8s.pt")

model.train(
    data="coco128.yaml",
    epochs=100,
    # 开启全部增强
    mosaic=1.0,
    mixup=0.1,
    erase=0.2,
    blur=0.1,
    noise=0.05,
    weather=0.05
)