3. 数据预处理：数据增强策略与锚框计算

数据预处理，说白了就是给模型“喂饭”前的最后一道工序。你想想看，原始图片千奇百怪，模型要是直接吃下去，肯定消化不良。我做了这么多年目标检测，可以负责任地告诉你：数据预处理做得好，模型训练成功一半。

这一章，我们重点聊三个核心话题：数据增强策略、归一化与锚框计算、配置文件解析。嗯，咱们一个一个来。

3.1 数据增强策略

数据增强不是为了炫技，而是为了解决一个实际问题：数据不够，或者数据太单调。我早期做项目时，数据集只有几千张图，模型怎么训都过拟合。后来加了增强，效果立竿见影。

3.1.1 Mosaic 增强

Mosaic 是 YOLOv4 开始引入的经典策略。它的做法很简单：把 4 张图拼成 1 张。

具体流程是这样的：

1. 随机选 4 张图，每张图随机取一个缩放比例（0.3~1.0 之间）
2. 按比例缩放后，随机裁剪出固定尺寸区域
3. 把 4 块拼成一张完整图，尺寸统一为 640×640（或你设定的输入尺寸）
4. 更新标注框坐标，超出边界的框会被裁剪掉

我个人习惯在训练前 80% 的 epoch 开启 Mosaic，后面 20% 关掉。为什么？因为 Mosaic 生成的图片和真实场景差异较大，最后阶段让模型回归到正常分布，能提升精度。

3.1.2 MixUp 增强

MixUp 比 Mosaic 更“暴力”——它直接把两张图按比例混合。公式很简单：

new_image = alpha * image1 + (1 - alpha) * image2
new_labels = alpha * labels1 + (1 - alpha) * labels2

alpha 一般取 0.5，也就是两张图各占一半。模型看到的是半透明的叠加图，标注框也是两套框共存。

我曾经在某个工业检测项目里试过 MixUp，效果出乎意料的好。因为产品缺陷样本太少，MixUp 相当于生成了大量“合成缺陷”，模型泛化能力明显提升。

3.1.3 HSV 扰动

HSV 扰动就是调整图片的色相（Hue）、饱和度（Saturation）、明度（Value）。说白了，就是给图片“换滤镜”。

YOLO 默认的 HSV 参数是这样的：

参数	默认值	说明
hsv_h	0.015	色相偏移范围（±1.5%）
hsv_s	0.7	饱和度缩放范围（±70%）
hsv_v	0.4	明度缩放范围（±40%）

我个人习惯把饱和度调低一点，0.5 左右。因为工业场景的图片颜色变化没那么大，饱和度扰动太强反而会引入噪声。

3.2 归一化与锚框计算

3.2.1 归一化

归一化就是把像素值从 0~255 缩放到 0~1 之间。YOLO 用的是最简单的做法：直接除以 255。

# 归一化代码示例
image = image.astype(np.float32) / 255.0

为什么要归一化？两个原因：

• 加速收敛：不同尺度的特征在同一个量级，梯度更新更稳定
• 避免数值溢出：神经网络里大量乘法运算，大数值容易溢出

嗯，这里要注意：归一化必须在数据增强之后做。先增强再归一化，顺序不能乱。

3.2.2 锚框计算

锚框（Anchor Box）是 YOLO 的核心概念之一。说白了，就是预设一些固定尺寸的框，让模型在这些框的基础上做微调。

YOLOv5 之后引入了自动锚框计算，不需要手动设了。流程是这样的：

1. 读取训练集所有标注框的宽高
2. 用 K-means 聚类，把框分成 9 类（3 个尺度 × 3 个比例）
3. 输出 9 组 (w, h) 作为锚框

我遇到过一个问题：如果数据集里全是正方形物体（比如车牌），聚类出来的锚框也全是正方形。这时候模型检测细长物体（比如行人）就会很差。所以，锚框一定要和数据集匹配。

3.3 配置文件解析

YOLO 的配置文件（一般是 .yaml 或 .cfg）是整个训练的“总指挥”。我每次开始一个新项目，第一件事就是改配置文件。

一个典型的 YOLOv5 配置文件长这样：

# 数据集配置
path: ./datasets/coco128  # 数据集根目录
train: images/train2017   # 训练集路径
val: images/val2017       # 验证集路径

# 类别配置
nc: 80                    # 类别数
names: ['person', 'bicycle', 'car', ...]  # 类别名称

# 模型配置
depth_multiple: 0.33      # 深度缩放因子
width_multiple: 0.50      # 宽度缩放因子

# 训练配置
batch: 16                 # 批次大小
epochs: 300               # 训练轮数
imgsz: 640                # 输入图片尺寸

关键参数说明：

参数	作用	我的建议
depth_multiple	控制网络层数	小模型用 0.33，大模型用 1.0
width_multiple	控制通道数	0.5 适合移动端，1.0 适合服务器
imgsz	输入尺寸	640 是平衡点，小目标用 1280
batch	批次大小	根据显存调，能大尽量大

3.4 数据预处理完整流程

下面这张图展示了数据预处理的完整流程，从原始图片到模型输入，每一步都不可或缺。

整个流程走下来，一张原始图片就变成了模型能吃的 Tensor。你想想看，如果没有这些预处理步骤，模型直接拿原始图片训练，效果会差多少？