计算机视觉 / 系统课时

调整图像增强参数

调整图像增强参数

增强参数应该由真实业务图像决定,而不是把所有强度直接拉高。本课从颜色、几何和组合增强建立一组保守起点,再通过单变量对比和增强样本抽检逐步调节,避免模型被不合理的人工变化带偏。

学习目标

  • 根据目标方向、尺度、光照和遮挡特征选择增强参数
  • 使用 YOLO 训练参数建立可回退的增强基线
  • 通过验证指标与失败样本判断增强是否过强

从业务不变量反推增强强度

调参前先确定哪些属性可以变化。固定摄像头拍摄的生产线通常不需要大角度旋转;无人机俯拍则可能允许更丰富的方向变化。夜间和白天都要识别的目标可以增加亮度扰动,但依赖颜色区分类别时应限制色相与饱和度变化。

同样的方法也适用于缩放和翻转:只有部署环境确实存在相应变化,训练时才应该主动模拟。增强参数表达的不是模型能力,而是你对未来输入分布的假设。

配置一组保守起点

下面使用 Ultralytics YOLO 常见训练参数给出一组检测任务的起始实验配置。它不是通用最优值,而是方便继续做对比实验的基线。<PATH> 需要替换为实际模型与数据集路径。

bash
yolo detect train model=<PATH>/model.pt data=<PATH>/data.yaml epochs=50 imgsz=640 \
  hsv_h=0.01 hsv_s=0.4 hsv_v=0.3 \
  degrees=5 translate=0.08 scale=0.3 \
  fliplr=0.5 flipud=0.0 mosaic=0.7 mixup=0.0

预期结果

text
训练任务按指定增强参数启动并完成;控制台会输出训练与验证指标。运行目录、耗时和具体指标数值会因数据集、硬件和软件版本不同而变化。

这组配置采用较小旋转和位移、适中的颜色与缩放扰动,并关闭上下翻转和 MixUp。若业务中存在明确的方向或颜色约束,还应继续降低对应参数,而不是直接沿用示例值。

一次只调整一类变化

增强参数之间会互相叠加。如果同时大幅增加颜色、旋转、缩放和 Mosaic,即使验证效果下降,也很难判断真正的原因。更稳妥的方式是保留同一训练集、验证集、模型规模和主要训练参数,只改变一类增强。

例如先比较颜色基线,再调整几何变化,最后测试组合增强。每轮实验记录验证指标,同时保存若干实际增强样本。只有新设置稳定优于基线或解决了明确的失败场景,才把它保留下来。

用失败样本解释指标变化

只看一个总体指标容易得到错误结论。假设增强后整体精度变化不大,但远距离小目标明显改善,同时近距离大目标退化,这说明应该继续检查缩放范围,而不是简单判断“增强有效”或“增强无效”。

建议把验证错误按场景拆开观察,例如白天与夜间、近距离与远距离、完整目标与遮挡目标。增强参数真正有价值的证据,是它让目标场景中的错误减少,而不是训练图片看起来更加丰富。

这些现象说明增强可能过头

增强后的图像如果经常出现肉眼难以辨认的目标、严重失真的颜色、现实中不存在的方向、过度截断的边界框或异常密集的拼接场景,应先降低对应强度。另一种信号是训练损失仍能下降,但验证集长期变差,这说明模型可能正在适应人为制造的数据分布。

调整时优先撤回最近一次改动,再确认增强样本恢复合理,而不是继续叠加更多参数补救。最终参数应同时满足三个条件:增强图像语义正确、覆盖真实部署变化,并且验证集及关键失败场景没有持续退化。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

调整图像增强参数

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通