计算机视觉 / 系统课时
使用数据增强
使用数据增强
本课将把翻转、缩放、颜色扰动和 Mosaic 等策略组合成一组可控的 YOLOv8 训练配置,并给出验证方法,帮助你提升泛化能力,同时避免增强后的样本偏离真实业务画面。
学习目标
- 理解几何增强、颜色增强和图像拼接分别解决什么问题
- 使用训练参数配置一组强度适中的增强策略
- 通过训练样本图和验证指标判断增强是否有效
先明确增强目标
数据增强不是把图像变得越复杂越好,而是模拟部署时可能出现、但训练集覆盖不足的变化。摄像头角度变化适合用翻转与缩放,光照变化适合用 HSV 扰动,目标尺寸分布不足可以尝试 Mosaic;业务中不会出现的变化则不应强行加入。

方向具有业务含义时要禁用对应翻转。例如道路标志、文字、仪表刻度和固定左右结构通常不适合水平翻转。颜色是判别依据时,也要降低饱和度和亮度扰动,避免把类别特征破坏掉。
配置一组可控增强
Ultralytics 的训练配置支持 fliplr、scale、hsv_h、hsv_s、hsv_v、mosaic、mixup 和 close_mosaic 等参数;其中 close_mosaic 可在训练末期关闭 Mosaic,使模型在普通单图分布上收敛。:contentReference[oaicite:0]{index=0}
下面以 yolov8n.pt 为例建立一个中等强度实验。<PATH> 需要替换为本机真实路径,首次实验不要同时把所有参数调到极端值。
yolo detect train \
model=yolov8n.pt \
data=<PATH>/dataset.yaml \
epochs=100 \
imgsz=640 \
fliplr=0.5 \
scale=0.3 \
hsv_h=0.015 \
hsv_s=0.4 \
hsv_v=0.3 \
mosaic=0.5 \
mixup=0.0 \
close_mosaic=10 \
project=<PATH>/runs \
name=aug-baseline预期结果
训练任务正常启动,增强参数被接受。
实验结果写入:<PATH>/runs/aug-baseline
最后 10 个 epoch 关闭 Mosaic,实际日志格式可能随 Ultralytics 版本不同。这组配置保留常用的水平翻转和轻度缩放,控制颜色扰动幅度,降低 Mosaic 出现概率,并暂时关闭 MixUp。它适合作为起始实验,而不是所有数据集都应照搬的固定答案。
检查增强后的训练样本
训练开始后,先查看运行目录中的 train_batch*.jpg。检查目标框是否仍贴合物体、裁剪后是否保留足够目标信息、颜色是否仍符合业务摄像头范围,以及 Mosaic 是否制造了大量现实中不会出现的超小目标或拥挤关系。
然后用相同模型、轮数、随机种子和验证集,分别运行“默认增强”和“当前增强”两个实验。只有验证集指标提升,并且关键类别的召回率没有下降,才能说明增强真正有效;训练损失下降更快并不能单独证明泛化更好。
常见失控信号与修正
出现以下情况时,应一次只回退一个参数,重新训练短周期实验定位原因:
- 文字、方向标识或左右结构被翻转后语义错误:将
fliplr调为0.0 - 图像颜色明显脱离现场摄像头:降低
hsv_s、hsv_v - 小目标被频繁裁掉或缩得不可辨认:降低
scale,并检查输入尺寸 - 训练后期框位置抖动、普通单图表现变差:降低
mosaic,或增大close_mosaic - 增强图看起来丰富但验证指标下降:恢复较弱配置,优先补充真实数据