深度学习实战第七篇：100 张图训出 1000 张的效果？数据增强的「魔法」

Mosaic / MixUp / 旋转 / 翻转哪些能用哪些不能用开头样本太少模型过拟合你有没有过这种经历数据集只有 100 张图训练出来的模型过拟合严重——训练集上 100%验证集上 60%。你想加数据但标注太贵100 张已经是极限。数据不够增强来凑。数据增强的本质让模型看到「更多」的训练样本。100 张图经过增强可以变成 1000 张。不是因为增强有多难——而是因为「增强」决定了模型的泛化能力。一、数据增强的本质原始数据100 张图 ↓ 数据增强翻转/旋转/缩放/Mosaic ↓ 增强后数据1000 张图视角更多样 ↓ 模型泛化能力提升核心思想通过变换让模型看到同一张图的「不同视角」从而学到更鲁棒的特征。二、YOLO 内置增强model.train(datadataset/,# 增强参数flipud0.0,# 上下翻转概率fliplr0.0,# 左右翻转概率degrees0.0,# 旋转角度度translate0.0,# 平移比例scale0.0,# 缩放比例shear0.0,# 剪切角度perspective0.0,# 透视变换mosaic1.0,# Mosaic 增强概率mixup0.0,# MixUp 增强概率)增强类型详解增强作用风险flipud上下翻转语义可能变化fliplr左右翻转语义可能变化degrees随机旋转目标方向变化translate随机平移目标位置变化scale随机缩放目标大小变化shear随机剪切目标形状变化perspective透视变换视角变化mosaic4 图拼接小目标可能被截断mixup2 图混合语义模糊三、AOI 项目的增强策略极性分类全部禁用# AOI 极性分类禁用所有增强model.train(flipud0.0,# 上下翻转 → 极性变反fliplr0.0,# 左右翻转 → 极性变反degrees0.0,# 旋转 → 极性方向变化scale0.0,# 缩放 → 无意义shear0.0,# 剪切 → 无意义perspective0.0,# 透视 → 无意义mosaic0.0,# Mosaic → 分类任务不需要mixup0.0,# MixUp → 语义模糊bgr0.0,# BGR 通道交换 → 颜色变化erasing0.0,# 随机擦除 → 可能擦除关键特征)原因极性是语义敏感任务翻转后极性变反模型学到的是错误特征。芯片检测允许适度增强# AOI 芯片检测允许适度增强model.train(degrees10.0,# 允许 ±10° 旋转scale0.5,# 允许缩放mosaic1.0,# 启用 Mosaic)缺陷分类V4 加了 hard 样本增强# AOI 缺陷分类 V4加了 hard 样本增强# 把容易误判的 a_chip 样本增强后回灌训练四、什么时候禁用增强语义敏感任务极性分类翻转后极性变反 → 禁用翻转 颜色分类通道交换后颜色变化 → 禁用 BGR 方向分类旋转后方向变化 → 禁用旋转精确测量任务尺寸测量缩放后尺寸变化 → 禁用缩放 位置测量平移后位置变化 → 禁用平移样本本身已足够多样如果数据集已经足够多样不同光照、角度、背景 → 不需要增强增强反而引入噪声五、避坑指南坑1增强后类别不平衡加剧现象增强后某些类别的样本数量暴增其他类别不变。解法用加权采样确保每个类别的样本数量均衡。坑2Mosaic 把小目标截断现象Mosaic 拼接后小目标被截断模型学不到完整特征。解法检测小目标时降低 Mosaic 概率或禁用。坑3增强强度太大现象增强后模型反而变差。原因增强强度太大模型学到的是噪声不是特征。解法从弱增强开始逐步增强观察验证集精度。坑4增强后语义变化现象增强后类别标签不正确。原因翻转/旋转后语义变化但标签没更新。解法增强时同步更新标签。坑5不看增强效果现象增强后不知道效果怎么样。解法可视化增强后的图片确认增强效果符合预期。AOI 项目优秀实践按任务类型定制增强策略极性分类禁用所有增强检测允许适度增强禁用语义敏感增强极性、颜色、方向相关的增强全部禁用版本化增强策略V3 → V4 的增强策略变化有记录AOI 项目可改进之处缺少增强效果可视化工具没有自动化的增强效果预览缺少增强强度调优指南不知道增强强度设多少合适缺少增强后精度对比没有对比增强前后的精度变化结尾说回那个「100 张图训出 1000 张的效果」的故事。后来我发现增强不是万能的。极性分类禁用所有增强后精度反而提升了 2%。因为模型学到了正确的特征而不是噪声。不是因为增强有多难——而是因为「增强」要按任务类型定制。翻翻你的项目你的任务是语义敏感的吗如果是禁用翻转/旋转。你用了 Mosaic 吗小目标会不会被截断你可视化过增强效果吗评论区说说你在数据增强上踩过最深的坑。觉得有用收藏这篇下次增强时翻出来对照。转发给你团队里那个天天被增强折磨的同事。下期预告从预训练权重开始微调10 分钟训出可用模型。迁移学习 / 冻结层 / 学习率策略AOI 项目的微调全记录。下一篇我们聊微调与续训——「站在巨人肩膀上」。本文是《深度学习基础知识与实战技术栈》系列第七篇。