2. 数据增强策略：Mosaic、MixUp、CutOut、RandomAffine等增强方法对小目标的适用性分析

数据增强，说白了就是给训练集「加料」。做小目标检测，这步尤其关键。我刚开始用YOLO做小目标时，模型怎么都学不会，后来才发现——不是模型不行，是数据里的小目标太少了。

这一章，我把常用的几种增强方法拆开揉碎，讲讲它们对小目标到底有没有用，什么时候该用，什么时候反而会帮倒忙。

2.1 Mosaic：小目标的「救命稻草」

Mosaic是YOLOv4开始引入的，把4张图拼成1张。我个人习惯叫它「四合一」。为什么它对小目标友好？

• 缩小了目标尺寸：原图里的大目标，拼完后变成中等目标；原图里的中等目标，变成小目标。相当于免费给你生成了大量小目标样本。
• 增加了上下文：小目标周围多了其他场景，模型能学到更多背景信息。
• 平衡了类别：如果某个类别的小目标很少，Mosaic能强行把它和其他图拼在一起，避免模型忽略它。

我在项目中遇到过一个问题：Mosaic比例太高，模型反而学坏了。比如一张图里全是小目标，拼完后小目标变得更小，连人都看不清了。嗯，这里要注意——

2.2 MixUp：对小目标「不太友好」

MixUp是把两张图按比例叠加，标签也按比例混合。听起来很合理，但实际用在小目标上，效果往往打折扣。

为什么会这样？

• 目标变模糊：叠加后，小目标的边缘和纹理被背景「吃掉」了。本来小目标就只占几个像素，一叠加，几乎消失。
• 标签不确定性增加：混合标签让模型学到的目标边界更模糊，对小目标这种本身就模糊的物体，反而有害。

我曾经在无人机航拍数据集上试过MixUp，结果mAP掉了3个点。后来我把它关了，效果立刻回升。

2.3 CutOut：随机遮挡，小目标的「双刃剑」

CutOut就是在图上随机挖掉一块正方形区域。对小目标来说，这招有点危险。

我建议的做法是：把CutOut的遮挡区域限制在图像边缘，或者使用随机大小的矩形而不是固定正方形。这样能减少遮挡小目标的概率。

2.4 RandomAffine：几何变换要「温柔」

RandomAffine包括旋转、缩放、平移、剪切。对小目标来说，缩放和旋转是重点。

• 缩放：缩小会让小目标变得更小，甚至消失。我一般把缩放范围控制在0.8~1.2之间。
• 旋转：小目标旋转后，边界框的IoU计算会变差。尤其是细长型小目标（比如电线杆、笔），旋转后标签不准。
• 平移：相对安全，但要注意不要把小目标移出图像边界。

2.5 其他增强方法速览

除了上面几种，还有一些常见增强，我简单说说对小目标的适用性：

2.6 增强策略组合：我的「黄金配方」

你想想看，每种增强都有优缺点，怎么组合才能最大化收益？我经过多次实验，总结了一套适合小目标的增强策略：

1. Mosaic（概率0.6）：作为主力，生成大量小目标样本。
2. HSV颜色抖动（概率0.5）：增加颜色多样性，不影响尺寸。
3. 水平翻转（概率0.5）：简单有效。
4. RandomAffine（概率0.3，缩放0.8~1.2，旋转±10°）：温和的几何变换。
5. CutOut（概率0.2，遮挡区域限制在边缘）：少量使用，增加鲁棒性。
6. MixUp：关闭。

2.7 知识结构图：数据增强对小目标的适用性

下面这张图总结了本章的核心逻辑，帮你快速建立知识框架：

2.8 实战建议：如何验证增强策略是否有效

说了这么多，怎么知道自己的增强策略到底好不好？我一般用三步验证法：

1. 可视化检查：把增强后的图片拿出来看，小目标是否清晰可见？有没有被遮挡或模糊？
2. 消融实验：每次只关掉一种增强，看mAP变化。如果关掉后mAP上升，说明这种增强有害。
3. 观察训练曲线：如果训练集loss下降很快但验证集loss不降，说明增强不够；如果两者都降得慢，说明增强太强了。