174、Mosaic 加 MixUp 联合使用的概率控制与顺序优化：先 Mosaic 后 MixUp 的最佳概率一个让我调了三天三夜的问题去年年底，我在给一个工业缺陷检测项目做YOLOv11的改进实验。数据集不大，就8000张，但缺陷种类有12种，长尾分布严重。我心想，这不就是Mosaic加MixUp的经典场景吗？直接照搬YOLOv5时代的配置——Mosaic概率1.0，MixUp概率0.5，顺序无所谓，反正都是随机拼图。结果呢？mAP@0.5:0.95从基线（只用Mosaic）的0.723掉到了0.689。我当时就懵了，这俩数据增强不是公认的涨点神器吗？怎么到我这儿成了负优化？后来我花了三天时间，把训练日志里的每个epoch的loss曲线、每个batch的增强效果可视化、甚至把增强后的图片一张张翻出来看，终于发现了问题：Mosaic和MixUp的联合使用，不是简单的概率叠加，顺序和概率的耦合关系才是关键。今天就把这个坑填上。先搞清楚这两个增强在干什么Mosaic的本质是空间拼接——把4张图拼成1张，让模型学会在局部看到全局。MixUp的本质是像素级混合——两张图按比例叠加，让模型学会线性插值下的特征过渡。这两个增强的数学形式完全不同，但有一个共同点：它们都在破坏原始图片的局部统计特性。Mosaic把不同图片的物体硬塞进同一个空间，MixUp把不同图片的像素直接叠加。当它们连续作用时，这种破坏会被放大。
174、Mosaic 加 MixUp 联合使用的概率控制与顺序优化：先 Mosaic 后 MixUp 的最佳概率一个让我调了三天三夜的问题去年年底，我在给一个工业缺陷检测项目做YOLOv11的改进实验。数据集不大，就8000张，但缺陷种类有12种，长尾分布严重。我心想，这不就是Mosaic加MixUp的经典场景吗？直接照搬YOLOv5时代的配置——Mosaic概率1.0，MixUp概率0.5，顺序无所谓，反正都是随机拼图。结果呢？mAP@0.5:0.95从基线（只用Mosaic）的0.723掉到了0.689。我当时就懵了，这俩数据增强不是公认的涨点神器吗？怎么到我这儿成了负优化？后来我花了三天时间，把训练日志里的每个epoch的loss曲线、每个batch的增强效果可视化、甚至把增强后的图片一张张翻出来看，终于发现了问题：Mosaic和MixUp的联合使用，不是简单的概率叠加，顺序和概率的耦合关系才是关键。今天就把这个坑填上。先搞清楚这两个增强在干什么Mosaic的本质是空间拼接——把4张图拼成1张，让模型学会在局部看到全局。MixUp的本质是像素级混合——两张图按比例叠加，让模型学会线性插值下的特征过渡。这两个增强的数学形式完全不同，但有一个共同点：它们都在破坏原始图片的局部统计特性。Mosaic把不同图片的物体硬塞进同一个空间，MixUp把不同图片的像素直接叠加。当它们连续作用时，这种破坏会被放大。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
