使用Ultralytics YOLO进行数据增强

概述

数据增强是计算机视觉领域的一项重要技术，它通过对现有图像进行各种转换，人为地扩展训练数据集。在训练深度学习模型时，数据增强有助于提高模型的鲁棒性，减少过拟合，并增强对真实世界场景的泛化。

在训练计算机视觉模型的过程中，数据增强具有多种重要作用：

• 扩展数据集：通过创建现有图像的变体，可以有效增加训练数据集的规模，而无需收集新数据。
• 提高泛化能力：模型学会在各种条件下识别物体，使其在实际应用中更加稳健。
• 减少过度拟合：通过在训练数据中引入可变性，模型不太可能记住特定的图像特征。
• 增强性能：经过适当增强训练的模型在验证集和测试集上通常能获得更高的准确性。

Ultralytics YOLO 提供了一整套增强技术，每种技术都有特定的用途，并以不同的方式提高模型性能。

本文主要描述在检测推理时常用的数据增强功能。

配置示例

使用Python配置数据增强的示例：

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Training with custom augmentation parameters
model.train(data="coco.yaml", epochs=100, hsv_h=0.03, hsv_s=0.6, hsv_v=0.5)

# Training without any augmentations (disabled values omitted for clarity)
model.train(
    data="coco.yaml",
    epochs=100,
    hsv_h=0.0,
    hsv_s=0.0,
    hsv_v=0.0,
    translate=0.0,
    scale=0.0,
    fliplr=0.0,
    mosaic=0.0,
    erasing=0.0,
    auto_augment=None