4、数据预处理：图像增强（Mosaic、MixUp）、归一化、锚框聚类（K-means）、数据加载器实现
好，咱们进入第四讲。数据预处理这块，说白了就是给模型「喂饭」——饭喂得好不好，直接决定模型能不能长壮实。我刚开始做YOLO项目时，总觉得数据预处理差不多就行，结果模型训练出来，检测效果惨不忍睹。后来才明白，这一步才是真正的「隐形冠军」。
4.1 图像增强：让模型见过世面
图像增强的目的很简单——让模型在有限的训练数据里，见过尽可能多的「世面」。你想想看，如果训练集里全是白天拍的图，模型到了晚上就抓瞎了。
4.1.1 Mosaic 增强
Mosaic 是 YOLOv4 开始引入的骚操作。它把四张图拼成一张大图，然后随机裁剪、缩放。这样做的好处很明显：
- 小目标检测能力提升：四张图拼在一起，小目标出现的概率自然高了
- 上下文信息丰富：模型能学到不同场景的组合
- 相当于变相增大 batch size：一次处理四张图的信息
我在项目中遇到过一个问题：Mosaic 拼图时，如果四张图的亮度差异太大，模型会学到一些奇怪的「伪影」。后来我加了个亮度均衡处理，效果好了不少。
核心要点：Mosaic 的拼图比例建议 1:1:1:1，但实际项目中可以按场景重要性调整权重。比如夜间场景少，可以多拼几张夜间的图。
4.1.2 MixUp 增强
MixUp 就更「暴力」了——直接把两张图按比例混合。公式很简单：
new_image = alpha * image1 + (1 - alpha) * image2
new_label = alpha * label1 + (1 - alpha) * label2alpha 通常取 0.5 左右。这样做的好处是让模型学会「模糊边界」——说白了就是让模型不那么自信，减少过拟合。
我的经验：MixUp 的 alpha 值不要固定，可以随机从 Beta 分布采样。我曾经试过固定 0.5，结果模型训练到后期 loss 死活降不下去。
4.2 归一化：把数据拉到同一个频道
归一化这步，很多人觉得简单，但坑不少。YOLO 里常用的归一化方式有两种：
| 归一化方式 | 公式 | 适用场景 |
|---|---|---|
| Min-Max 归一化 | (x - min) / (max - min) | 像素值范围已知（0-255） |
| Z-score 归一化 | (x - mean) / std | 数据分布未知，需要标准化 |
YOLO 官方用的是 Min-Max 归一化，把像素值缩放到 [0, 1] 区间。但注意——千万别忘了除以 255。我见过有人直接拿原始像素值训练，结果 loss 直接爆炸。
避坑指南：我曾经在迁移学习时，忘了对验证集做同样的归一化操作。结果模型在训练集上表现很好，验证集上一塌糊涂。排查了半天才发现是归一化没对齐。
4.3 锚框聚类：K-means 的妙用
锚框（Anchor Box）是 YOLO 的核心设计之一。但锚框的大小怎么定？总不能拍脑袋吧。这时候 K-means 聚类就派上用场了。
具体做法：
- 从训练集中提取所有标注框的宽高
- 用 K-means 对这些宽高进行聚类
- 聚类中心就是我们要的锚框尺寸
这里有个细节——距离度量不能用欧氏距离。为什么？因为大框和小框的尺度差异太大，欧氏距离会让大框主导聚类结果。YOLO 用的是 IoU 距离：
d(box, centroid) = 1 - IoU(box, centroid)这样不管框的大小，都能公平竞争。
实战经验：K 值（锚框数量）怎么选？YOLOv5 默认是 9 个锚框，分 3 个尺度。我建议你先跑一次聚类，看看每个聚类中心的样本数量是否均衡。如果某个聚类只有几个样本，说明 K 值太大了。
4.4 数据加载器实现
数据加载器是连接硬盘和 GPU 的「传送带」。设计得好，训练效率翻倍；设计得不好，GPU 天天在「等饭」。我给大家一个核心思路：
- 多进程加载：用 Python 的 multiprocessing，让 CPU 提前准备下一批数据
- 缓存机制：把常用的增强结果缓存起来，避免重复计算
- 动态增强：每个 epoch 用不同的随机种子，让模型每次看到的数据都不一样
代码实现上，我习惯用 PyTorch 的 DataLoader，配合自定义的 Dataset 类：
class YOLODataset(Dataset):
def __init__(self, img_dir, label_dir, transforms=None):
self.img_dir = img_dir
self.label_dir = label_dir
self.transforms = transforms
self.imgs = list(Path(img_dir).glob('*.jpg'))
def __getitem__(self, idx):
img = cv2.imread(str(self.imgs[idx]))
label = self.parse_label(self.imgs[idx])
# 应用增强
if self.transforms:
img, label = self.transforms(img, label)
# 归一化
img = img / 255.0
return img, label性能优化：我建议把 num_workers 设为 CPU 核心数的一半。设太多反而会因为线程切换导致性能下降。另外，pin_memory=True 能加速 GPU 数据传输。
4.5 总结
数据预处理这块，说白了就是「磨刀不误砍柴工」。Mosaic 和 MixUp 让模型见过更多场景，归一化让数据更规整，K-means 聚类让锚框更贴合数据分布，数据加载器让训练更高效。
嗯，这四步走完，你的数据就准备好了。下一章咱们聊聊模型结构——YOLO 的 backbone 到底是怎么设计的。