关于YOLOv8自带的数据增强方式

一、YOLOv8默认使用的增强方式策略

1.1、 hsv_h

通过色轮的一小部分调整图像的色调，引入颜色可变性。帮助模型在不同的照明条件下进行概括。

默认数值为0.015，范围是0.0~1.0。

1.2、hsv_s

将图像的饱和度更改一小部分，从而影响颜色的强度。适用于模拟不同的环境条件。

默认数值为0.7，范围是0.0~1.0。

1.3、hsv_v

将图像的值（亮度）修改一小部分，有助于模型在各种照明条件下表现良好。

默认数值为0.4，范围是0.0~1.0。

1.4、translate

将图像水平和垂直方向平移图像的一小部分，有助于学习检测部分可见对象。

默认数值为0.1，范围是0.0~1.0。

1.5、scale

按增益因子缩放图像，模拟与摄影机相距不同距离的对象。

默认数值为0.5，范围是大于等于0.0都可以。

1.6、fliplr

以指定的概率将图像从左向右翻转（类似于左右镜像），这对于学习对称对象和增加数据集的多样性非常有用。

默认数值为0.5，范围是0.0~1.0。

1.7、mosaic

将四个训练图像组合为一个，模拟不同的场景组成和对象交互。YOLO最经典的数据增强方式。对复杂场景的理解非常有效。

默认数值为1.0，范围是0.0~1.0。

1.8、auto_augment

面向分类任务，自动应用预定义的增强策略（randaugment、autoaugment和augmix），通过使视觉特征多样化来优化分类任务。

默认数值为randaugment，范围是（randaugment、autoaugment和augmix）。

1.9、erasing

在分类训练过程中随机擦除图像的一部分，鼓励模型专注于不太明显的特征进行识别。

默认数值为0.4，范围是0.0~0.9。

1.10、crop_fraction

将分类图像裁剪到其大小的一小部分，以强调中心特征并适应对象比例，从而减少背景干扰。 

默认数值为1.0，范围是0.1~1.0。

二、YOLOv8未使用的增强方式策略

注意：默认一下增强方式参数都为0.0

2.1、degrees

在指定的度数范围内随机旋转图像，提高模型识别不同方向对象的能力。选择旋转角度后，在选择的旋转角度范围内进行数据随机旋转。 

范围是-180~+180。

2.2、shear

以指定的角度剪切图像，模仿从不同角度观看对象的效果。选择角度后，在选择的角度范围内进行数据随机剪切。 

范围是-180~+180。

2.3、perspective

将随机透视变换应用于图像，增强模型理解三维空间中对象的能力。

范围是0.0~0.001。

2.4、flipud

以指定的概率将图像倒置，在不影响对象特性的情况下增加数据的可变性。

范围是0.0~1.0。

2.5、bgr

以指定的概率将图像通道从RGB翻转到BGR，这有助于提高对不正确通道排序的鲁棒性。

范围是0.0~1.0。

2.6、mixup

混合两个图像及其标签，创建合成图像。通过引入标签噪声和视觉可变性来增强模型的泛化能力。

范围是0.0~1.0。

2.7、copy_paste

将对象从一个图像中复制并粘贴到另一个图像上，这对于增加对象实例和学习对象遮挡非常有用。

范围是0.0~1.0。

三、使用方法

在进行训练时，直接加相对应的参数即可！例如添加使用flipud 增强策略：

model = YOLO(r"yolov8m-pose.pt")  # 用于迁移训练的权重文件路径

results = model.train(data=r"E:\ultralytics-main\datasets\key-points.yaml",
                      imgsz=640, epochs=100, batch=4, flipud = 0.5, device = 0)

四、结语

以上数据增强策略均可用于目标检测，分割，骨干提取和分类等。有可能加了之后会导致结果指标下降，需要实际实验进行选取。

以上内容仅供学习参考使用！！希望对您有所帮助！！