谨慎使用数据增强

数据增强的作用#

数据增强会在训练过程中实时变换图像，因此模型每个轮次都会看到每张图像的略微不同版本。合理的数据增强可以提高模型对光照、尺度和方向变化的鲁棒性，并减少过拟合，因为图像不断变化，模型无法记住图像。错误的数据增强会教会模型识别物理上不可能出现的场景，还会掩盖本应修复的数据集缺陷。

看看上方的色调面板：红色金刚鹦鹉变成了黄色。如果任务是区分“金刚鹦鹉”和“非金刚鹦鹉”，这无伤大雅；但如果颜色是区分两个类别的关键，这种变化就会造成破坏。

重要的默认设置#

以下是 Ultralytics 8.4 中的默认值；数据增强设置参考列出了所有参数：

深度数据集是个例外：mosaic、mixup、cutmix 和 copy_paste 会生成无效的配对深度图，因此深度数据加载器会自动将它们设为 0。

部署测试#

每种启用的变换都必须先通过一个问题的检验，再通过第二个问题的检验：

对于一架垂直向下观察的无人机来说，倒置的金刚鹦鹉是一张很好的训练图像；对于一台固定在墙上的相机来说，它却毫无用处。无法通过这项检验的变换会产生负面的训练信号：模型学会识别它永远不会看到的图像，却因此损失了学习实际会遇到的图像的能力。

一个完整示例配置#

传送带上方的俯视相机负责分拣仅颜色不同的部件。必须去掉色相抖动，同时垂直翻转和小幅旋转则符合实际情况。以下示例使用 COCO8 演示集运行；替换为你自己的数据 YAML，并设置实际的训练轮数：

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="coco8.yaml",
    epochs=1,
    imgsz=320,
    hsv_h=0.0,  # 颜色是类别信号：保持色相真实
    flipud=0.5,  # 俯视视角：画面中没有“上方”
    degrees=10.0,  # 零件可能以任意小角度落下
)

在运行目录中打开 train_batch0.jpg 并检查三项：变换后边界框是否仍然贴合目标，定义类别的线索（颜色、形状、文字）是否保留，以及画面是否存在物理上不可能的情况。任何一项不符合，就调低相应变换的幅度。训练你的第一个模型介绍了训练过程本身。

Mosaic 和 close_mosaic#

Mosaic 会将四张图像拼接成一张，并且默认启用。它是检测任务中效益最高的增强方式：每张训练图像都包含多个场景、尺度和目标上下文。但 Mosaic 图像与部署时的画面并不相似，因此 close_mosaic=10 会在最后 10 个训练轮次将其关闭，让模型在真实输入上完成训练。关闭 Mosaic 也会同时关闭 mixup、cutmix 和 copy_paste，而翻转、HSV 和几何变换仍会继续运行。

数据增强无法解决的问题#

数据增强只能放大已有数据的作用。如果数据集中没有夜间图像，无论怎么设置都无法生成夜景：只能生成更亮或更暗的日间图像。如果某个类别只有在强力增强后才能识别，说明该类别的数据量不足。请返回收集高质量、有代表性的数据。