Ultralytics YOLO 已标注数据预处理完整指南图像缩放、归一化、数据集划分与数据增强【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics数据预处理是把杂乱无章的原始标注图像转化为深度学习模型可高效训练的干净、统一输入的关键环节。使用 Ultralytics YOLO 系列含最新 YOLO26进行目标检测、实例分割、姿态估计等视觉任务时RGB 转换、像素缩放到[0,1]、缩放到训练尺寸等底层像素操作会在训练管线内自动完成真正需要你决策的是如何正确划分数据集、如何处理类别不均衡以及如何配置数据增强。读完本文你将掌握完整的数据预处理方法论能直接用于你的 YOLO 检测、分割或姿态项目并理解每项设置在仓库源码中的落点。本文承接定义项目目标与数据采集和标注两个阶段处于计算机视觉项目工作流的早期环节是进入模型训练前的最后一道质量关卡。为什么数据预处理如此重要预处理将数据整理成能降低计算负载、提升模型性能的格式。它针对原始数据中三类最常见的问题噪声Noise与任务无关的随机变化例如拍摄抖动、传感器噪点、无关背景干扰会让模型学到不存在的模式。不一致性Inconsistency图像尺寸、格式、清晰度参差不齐。模型尤其批量训练时期望统一的张量形状。不均衡Imbalance不同类别在样本数量上差异悬殊导致模型偏向于多数的常见类忽略少数类。阅读 YOLO26 模型文档 可以了解本指南所针对模型的任务能力全景。数据预处理的四大核心技术尺寸调整Resizing、归一化Normalization、数据集划分Dataset Splitting和数据增强Augmentation是数据预处理的四大支柱。在 YOLO26 中前两项是自动完成的划分与增强才是你决策的主战场。图像尺寸调整Resizing许多模型要求固定尺寸的输入。缩放让图像尺寸统一并降低计算复杂度。两种常见插值方式双线性插值Bilinear Interpolation对最近的四个像素做加权平均来平滑像素值质量较好。最近邻插值Nearest Neighbor直接复制最近的像素值不做平均速度更快但会产生块状锯齿。OpenCV、Pillow 等库都提供这些函数但使用 YOLO26 时你通常不需要手动缩放——交给imgsz参数即可。默认配置中imgsz: 640见全局默认配置。具体行为分两条路径固定正方形输入路径验证与推理验证与推理使用 letterbox 方式把图像缩放到imgsz × imgsz如640 × 640保持宽高比其余空间用灰色填充灰度值 114。大图会等比缩小以适应画布当禁用 scale-up 时小图不会被放大。这一逻辑对应仓库中的LetterBox变换类ultralytics/data/augment.py其构造参数padding_value114、scaleupTrue、默认cv2.INTER_LINEAR双线性插值。数据集在验证阶段即按LetterBox(new_shape(self.imgsz, self.imgsz), scaleupFalse)构造ultralytics/data/dataset.py。默认训练路径默认开启mosaic1.0马赛克增强——把 4 张图拼接到更大的画布上再裁剪回imgsz对应Mosaic变换类ultralytics/data/augment.py。当close_mosaic在最后若干轮关闭马赛克后图像被 letterbox 处理但仍会经过随机变换而非原样送入。其他形状矩形批量训练rectTrue与multi_scale多尺度训练使用不同的输入形状。矩形批量的实现见于BaseDataset.set_rectangle()——按宽高比排序并计算每批形状ultralytics/data/base.pymulti_scale默认关闭0.0以imgsz的比例作为浮动区间。因此我该把图片统一 resize 成 640×640 再训练吗——答案是不需要。只要在数据 YAML 里给出原始图像路径YOLO 数据加载器会完成缩放同时在训练时更新对应的标注框坐标。像素归一化Normalizing Pixel Values归一化把像素值缩放到标准范围帮助模型在训练中更快收敛。两种常见做法Min-Max 缩放把像素值线性缩放到 0 到 1 之间。Z-Score 归一化基于像素的均值与标准差进行标准化。YOLO26 在预处理管线中自动完成归一化将图像从 OpenCV 默认的 BGR 通道顺序转换为 RGB并除以 255把像素缩放到[0,1]即 Min-Max 缩放。这一点在张量输入路径同样存在loaders.py中当输入张量最大值超过 1.0 时会自动警告并执行im im.float() / 255.0ultralytics/data/loaders.py。关键结论YOLO 默认不做 ImageNet 风格的均值/标准差z-score归一化因此训练检测/分割/姿态模型时无需手工做归一化步骤。把像素值保持在原生 0~255 范围内喂给 YOLO 即可避免重复除以 255 造成梯度或损失计算异常。划分数据集Splitting the Dataset把数据划分为训练集、验证集和测试集才能用未见过的数据评估模型、度量泛化能力。业界常用的划分比例是70% 训练、20% 验证、10% 测试。用 scikit-learn 的train_test_split或 TensorFlow 的数据工具都能轻松完成。划分时必须注意两点保持类别分布确保每个类别在训练/验证/测试集中按比例出现分层抽样stratified split否则验证损失无法真实反映训练效果。平衡类别对不均衡数据集可在训练集内对少数类做上采样oversampling或对多数类做下采样under-sampling而不要改动验证与测试集的天然分布。!!! warning 严防数据泄漏data leakage**必须先划分、后增强**且所有增强变换只应用于训练集。如果在划分前就做增强或其它预处理验证集/测试集图像的信息如经过仿射变换的副本会泄漏进训练过程得到虚高的分数一旦遇到真实数据便大幅崩坏。YOLO 生态提供了两条划分路线在 YAML 中声明划分数据集 YAML 只描述元数据——根路径、三个子集路径和类别名。以仓库自带的 coco8.yaml 为例train: images/train、val: images/val、test:可选分别指向子集目录或图片清单文件。训练时 YOLO 会依据该结构分别加载。使用autosplit自动划分仓库提供开箱即用的划分函数autosplit()ultralytics/data/split.py按权重随机把整目录图像分配到训练/验证/测试并把结果写入autosplit_train.txt、autosplit_val.txt、autosplit_test.txt三个清单文件供数据 YAML 引用from ultralytics.data.split import autosplit # 默认权重 (train0.9, val0.1, test0.0)仅包含已有对应 *.txt 标注的图像 autosplit(pathdatasets/coco8/images, weights(0.8, 0.15, 0.05), annotated_onlyTrue)注意autosplit为纯随机划分不会做类别分层如果你的数据类别严重不均衡应使用 scikit-learn 的StratifiedShuffleSplit之类工具按标注类别分层再把划分结果落成与autosplit相同格式的图像清单文件。数据增强Augmenting the Dataset数据增强通过改造已有图像制造新样本人为扩大数据集规模帮助降低过拟合、提升泛化能力。其收益包括模型更鲁棒光照、朝向、尺度上的变化使模型能抵御真实世界的各种变形成本更低无需采集和标注新数据即可扩充训练集数据利用率更高每张已标注图像都能衍生出多种训练变体。配置在哪里训练参数而非数据集 YAML用 YOLO26 时增强强度通过传给model.train()的训练参数或等价 CLI 标志控制绝不能靠改数据集 YAML 来实现——YAML 只定义路径、类别名和划分等元数据。唯一的例外是flip_idx姿态数据集必须在 YAML 里声明它来映射左右对称关键点如 coco8-pose.yaml 的flip_idx: [0, 2, 1, 4, 3, 6, 5, ...]。当关键点数据集缺失flip_idx时源码会强制把fliplr、flipud双双置 0 并给出告警ultralytics/data/augment.py。以下示例展示了如何用训练参数配置增强hsv_h0.015、fliplr0.5、mosaic1.0、degrees10.0!!! example 训练时设置增强强度 Python python from ultralytics import YOLO model YOLO(yolo26n.pt) # 增强通过训练参数配置而不是通过数据集 YAML model.train(datacoco8.yaml, epochs10, hsv_h0.015, fliplr0.5, mosaic1.0, degrees10.0) CLI bash yolo detect train modelyolo26n.pt datacoco8.yaml epochs10 hsv_h0.015 fliplr0.5 mosaic1.0 degrees10.0 内置增强全集与默认值YOLO26 的内置增强包括以下类别其默认值都定义在 ultralytics/cfg/default.yaml 的 Hyperparameters 段增强参数默认值作用说明马赛克mosaic1.0把 4 张图拼进一张训练样本MixUpmixup0.0两张图按比例融合成一个样本CutMixcutmix0.0把一张图的物体裁剪粘贴到另一张图水平翻转fliplr0.5镜像翻转的概率垂直翻转flipud0.0上下翻转的概率旋转degrees0.0旋转角度±平移translate0.1平移比例±相对图幅缩放scale0.5缩放增益±可传(min, max)元组错切shear0.0错切角度±透视perspective0.0透视变换幅度典型 0–0.001色调抖动hsv_h0.015HSV 色调变化幅度饱和度抖动hsv_s0.7HSV 饱和度变化幅度亮度抖动hsv_v0.4HSV 明度亮度变化幅度复制粘贴copy_paste0.0分割/OBB 任务把物体的额外副本粘贴进样本复制粘贴模式copy_paste_modeflipflip同一图内镜像副本mixup取自另一张图通道交换bgr0.0RGB 与 BGR 通道顺序互换概率自动增强策略auto_augmentrandaugment分类任务randaugment/autoaugment/augmix策略随机擦除erasing0.4分类任务随机擦除区域概率0.0–1.0关闭马赛克close_mosaic10最后 N 个 epoch 关闭马赛克0 表示始终开启训练时这些变换并非孤立执行而是按固定顺序组合成一条流水线v8_transforms()ultralytics/data/augment.py依次组合Mosaic → RandomPerspective内含平移/旋转/缩放/错切/透视的仿射变换→ 按模式插入CopyPaste→MixUp/CutMix→Albumentations→RandomHSV→ 垂直翻转 → 水平翻转。Mosaic这类混合变换之所以高效是因为BaseDataset为它们维护了一个滑动图像缓冲区复用已加载样本而非反复读盘ultralytics/data/base.py。完整参数表与逐项含义请参阅增强设置augmentation settings逐参数的可视化效果见 YOLO 数据增强专项指南。附加Albumentations 自动接入如果环境里安装了albumentations包YOLO 会自动启用其内置的 Albumentations 增强如模糊、CLAHE 等见流水线中的Albumentations(p1.0, ...)环节。也可以通过自定义hyp.augmentations传入自定义 Albumentations 变换列表。案例实战交通场景车辆检测的数据预处理假设我们要用 YOLO26 从交通图像中检测并分类车辆图像已用边界框标注。每一步预处理决策如下缩放Resizing无需手工处理——YOLO26 在训练时按imgsz自动完成含 Mosaic 裁剪。归一化Normalization无需手工处理——YOLO26 自动把像素缩放到[0,1]。划分Splitting按 70% 训练 / 20% 验证 / 10% 测试划分保证各类别在三个子集中分布一致若类别失衡用分层抽样。增强Augmentation针对交通场景设置参数——例如开启fliplr提升方向不变性车辆左右对称、适度调高hsv_v模拟昼夜光照差异、保持mosaic以获得多样的物体密度与大小组合。把这些决策落实之后数据集就可以进入探索性数据分析EDA环节了。探索性数据分析Exploratory Data Analysis, EDAEDA 借助统计量与可视化揭示数据中的模式与分布帮助你在训练之前就发现类别不均衡、异常离群样本等隐患。统计型 EDA 技术先计算基础统计量——均值、中位数、标准差、极差等作用于像素强度分布这类属性。它们能快速给出数据集质量的概览及早暴露异常。可视化 EDA 技术可视化能呈现摘要统计量看不出的问题类别不均衡、离群点。常用工具包括直方图与箱线图展示像素值分布标记强度或特征分布中的离群点。条形图通过对比各类别样本数揭示类别不均衡。散点图探索图像特征或标注之间的关系。热力图可视化像素强度分布或标注在图像上的空间分布判断标注是否偏向画面某区域。用 Ultralytics 平台做免代码 EDA不想写代码时可以把数据集上传到 Ultralytics 平台见平台文档。数据集页面的Charts标签会自动生成核心 EDA 图表划分分布、各类别样本计数 Top N、图像宽/高直方图以及标注位置与图像尺寸的二维热力图。Images标签则提供网格、紧凑或表格三种视图浏览数据并叠加标注框/掩膜方便你不写一行代码就发现标注错误样本或失衡类别。结论正确划分、归一化并增强后的数据能降低噪声、提升泛化能力把一摞原始图像变成可靠的训练集。数据预处理完成后下一步就是训练你的模型。如果在实践中遇到增强参数调优或数据格式转换的困惑YOLO 数据增强指南与通用配置文档是最值得优先查阅的补充资料。常见问题FAQ为什么数据预处理在计算机视觉项目中如此重要预处理确保数据干净、一致且格式适合训练。通过处理原始数据中的噪声、不一致性与类别不均衡缩放、归一化、增强与划分能降低计算负载并提升模型性能。其在完整工作流中的位置参见计算机视觉项目步骤。如何用 Ultralytics YOLO 做数据增强通过训练参数而非数据集 YAML 配置增强。把fliplr、mosaic、hsv_h、degrees等参数传给model.train()或等价 CLI 标志即可设定每个变换的概率与强度完整定义见增强设置、原理讲解见 YOLO 数据增强指南。姿态数据集是例外其flip_idx关键点映射必须写在数据 YAML 里缺失时左右翻转会被源码禁用。计算机视觉数据最好的归一化方法是什么两种最常见的是 min-max 缩放把像素缩放到 0~1和 z-score 归一化按均值/标准差标准化。YOLO26 自动应用 min-max 缩放——转换到 RGB 并除以 255——因此不需要手动归一化默认也不应用 z-score 归一化。训练前应该怎样划分已标注数据集常见做法是 70% 训练 / 20% 验证 / 10% 测试。保持类别分布在三个子集间一致通过先划分、后增强且只增强训练集来避免数据泄漏。可用 scikit-learn、TensorFlow 工具高效划分也可用仓库内置的autosplit()快速生成图像清单文件上游的数据准备参见数据采集与标注指南。YOLO26 能自动处理不同尺寸的输入图像吗能。imgsz参数控制目标输入尺寸无需手工缩放。固定正方形输入路径下验证与推理按 letterbox 处理保持宽高比、灰边填充大图等比缩小、小图在禁用 scale-up 时不被放大。训练路径默认由马赛克增强四图拼接后裁剪来逼近目标尺寸。启用rectTrue矩形批量或multi_scale多尺度训练时会使用不同形状。详见模型训练文档。【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Ultralytics YOLO 已标注数据预处理完整指南图像缩放、归一化、数据集划分与数据增强【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics数据预处理是把杂乱无章的原始标注图像转化为深度学习模型可高效训练的干净、统一输入的关键环节。使用 Ultralytics YOLO 系列含最新 YOLO26进行目标检测、实例分割、姿态估计等视觉任务时RGB 转换、像素缩放到[0,1]、缩放到训练尺寸等底层像素操作会在训练管线内自动完成真正需要你决策的是如何正确划分数据集、如何处理类别不均衡以及如何配置数据增强。读完本文你将掌握完整的数据预处理方法论能直接用于你的 YOLO 检测、分割或姿态项目并理解每项设置在仓库源码中的落点。本文承接定义项目目标与数据采集和标注两个阶段处于计算机视觉项目工作流的早期环节是进入模型训练前的最后一道质量关卡。为什么数据预处理如此重要预处理将数据整理成能降低计算负载、提升模型性能的格式。它针对原始数据中三类最常见的问题噪声Noise与任务无关的随机变化例如拍摄抖动、传感器噪点、无关背景干扰会让模型学到不存在的模式。不一致性Inconsistency图像尺寸、格式、清晰度参差不齐。模型尤其批量训练时期望统一的张量形状。不均衡Imbalance不同类别在样本数量上差异悬殊导致模型偏向于多数的常见类忽略少数类。阅读 YOLO26 模型文档 可以了解本指南所针对模型的任务能力全景。数据预处理的四大核心技术尺寸调整Resizing、归一化Normalization、数据集划分Dataset Splitting和数据增强Augmentation是数据预处理的四大支柱。在 YOLO26 中前两项是自动完成的划分与增强才是你决策的主战场。图像尺寸调整Resizing许多模型要求固定尺寸的输入。缩放让图像尺寸统一并降低计算复杂度。两种常见插值方式双线性插值Bilinear Interpolation对最近的四个像素做加权平均来平滑像素值质量较好。最近邻插值Nearest Neighbor直接复制最近的像素值不做平均速度更快但会产生块状锯齿。OpenCV、Pillow 等库都提供这些函数但使用 YOLO26 时你通常不需要手动缩放——交给imgsz参数即可。默认配置中imgsz: 640见全局默认配置。具体行为分两条路径固定正方形输入路径验证与推理验证与推理使用 letterbox 方式把图像缩放到imgsz × imgsz如640 × 640保持宽高比其余空间用灰色填充灰度值 114。大图会等比缩小以适应画布当禁用 scale-up 时小图不会被放大。这一逻辑对应仓库中的LetterBox变换类ultralytics/data/augment.py其构造参数padding_value114、scaleupTrue、默认cv2.INTER_LINEAR双线性插值。数据集在验证阶段即按LetterBox(new_shape(self.imgsz, self.imgsz), scaleupFalse)构造ultralytics/data/dataset.py。默认训练路径默认开启mosaic1.0马赛克增强——把 4 张图拼接到更大的画布上再裁剪回imgsz对应Mosaic变换类ultralytics/data/augment.py。当close_mosaic在最后若干轮关闭马赛克后图像被 letterbox 处理但仍会经过随机变换而非原样送入。其他形状矩形批量训练rectTrue与multi_scale多尺度训练使用不同的输入形状。矩形批量的实现见于BaseDataset.set_rectangle()——按宽高比排序并计算每批形状ultralytics/data/base.pymulti_scale默认关闭0.0以imgsz的比例作为浮动区间。因此我该把图片统一 resize 成 640×640 再训练吗——答案是不需要。只要在数据 YAML 里给出原始图像路径YOLO 数据加载器会完成缩放同时在训练时更新对应的标注框坐标。像素归一化Normalizing Pixel Values归一化把像素值缩放到标准范围帮助模型在训练中更快收敛。两种常见做法Min-Max 缩放把像素值线性缩放到 0 到 1 之间。Z-Score 归一化基于像素的均值与标准差进行标准化。YOLO26 在预处理管线中自动完成归一化将图像从 OpenCV 默认的 BGR 通道顺序转换为 RGB并除以 255把像素缩放到[0,1]即 Min-Max 缩放。这一点在张量输入路径同样存在loaders.py中当输入张量最大值超过 1.0 时会自动警告并执行im im.float() / 255.0ultralytics/data/loaders.py。关键结论YOLO 默认不做 ImageNet 风格的均值/标准差z-score归一化因此训练检测/分割/姿态模型时无需手工做归一化步骤。把像素值保持在原生 0~255 范围内喂给 YOLO 即可避免重复除以 255 造成梯度或损失计算异常。划分数据集Splitting the Dataset把数据划分为训练集、验证集和测试集才能用未见过的数据评估模型、度量泛化能力。业界常用的划分比例是70% 训练、20% 验证、10% 测试。用 scikit-learn 的train_test_split或 TensorFlow 的数据工具都能轻松完成。划分时必须注意两点保持类别分布确保每个类别在训练/验证/测试集中按比例出现分层抽样stratified split否则验证损失无法真实反映训练效果。平衡类别对不均衡数据集可在训练集内对少数类做上采样oversampling或对多数类做下采样under-sampling而不要改动验证与测试集的天然分布。!!! warning 严防数据泄漏data leakage**必须先划分、后增强**且所有增强变换只应用于训练集。如果在划分前就做增强或其它预处理验证集/测试集图像的信息如经过仿射变换的副本会泄漏进训练过程得到虚高的分数一旦遇到真实数据便大幅崩坏。YOLO 生态提供了两条划分路线在 YAML 中声明划分数据集 YAML 只描述元数据——根路径、三个子集路径和类别名。以仓库自带的 coco8.yaml 为例train: images/train、val: images/val、test:可选分别指向子集目录或图片清单文件。训练时 YOLO 会依据该结构分别加载。使用autosplit自动划分仓库提供开箱即用的划分函数autosplit()ultralytics/data/split.py按权重随机把整目录图像分配到训练/验证/测试并把结果写入autosplit_train.txt、autosplit_val.txt、autosplit_test.txt三个清单文件供数据 YAML 引用from ultralytics.data.split import autosplit # 默认权重 (train0.9, val0.1, test0.0)仅包含已有对应 *.txt 标注的图像 autosplit(pathdatasets/coco8/images, weights(0.8, 0.15, 0.05), annotated_onlyTrue)注意autosplit为纯随机划分不会做类别分层如果你的数据类别严重不均衡应使用 scikit-learn 的StratifiedShuffleSplit之类工具按标注类别分层再把划分结果落成与autosplit相同格式的图像清单文件。数据增强Augmenting the Dataset数据增强通过改造已有图像制造新样本人为扩大数据集规模帮助降低过拟合、提升泛化能力。其收益包括模型更鲁棒光照、朝向、尺度上的变化使模型能抵御真实世界的各种变形成本更低无需采集和标注新数据即可扩充训练集数据利用率更高每张已标注图像都能衍生出多种训练变体。配置在哪里训练参数而非数据集 YAML用 YOLO26 时增强强度通过传给model.train()的训练参数或等价 CLI 标志控制绝不能靠改数据集 YAML 来实现——YAML 只定义路径、类别名和划分等元数据。唯一的例外是flip_idx姿态数据集必须在 YAML 里声明它来映射左右对称关键点如 coco8-pose.yaml 的flip_idx: [0, 2, 1, 4, 3, 6, 5, ...]。当关键点数据集缺失flip_idx时源码会强制把fliplr、flipud双双置 0 并给出告警ultralytics/data/augment.py。以下示例展示了如何用训练参数配置增强hsv_h0.015、fliplr0.5、mosaic1.0、degrees10.0!!! example 训练时设置增强强度 Python python from ultralytics import YOLO model YOLO(yolo26n.pt) # 增强通过训练参数配置而不是通过数据集 YAML model.train(datacoco8.yaml, epochs10, hsv_h0.015, fliplr0.5, mosaic1.0, degrees10.0) CLI bash yolo detect train modelyolo26n.pt datacoco8.yaml epochs10 hsv_h0.015 fliplr0.5 mosaic1.0 degrees10.0 内置增强全集与默认值YOLO26 的内置增强包括以下类别其默认值都定义在 ultralytics/cfg/default.yaml 的 Hyperparameters 段增强参数默认值作用说明马赛克mosaic1.0把 4 张图拼进一张训练样本MixUpmixup0.0两张图按比例融合成一个样本CutMixcutmix0.0把一张图的物体裁剪粘贴到另一张图水平翻转fliplr0.5镜像翻转的概率垂直翻转flipud0.0上下翻转的概率旋转degrees0.0旋转角度±平移translate0.1平移比例±相对图幅缩放scale0.5缩放增益±可传(min, max)元组错切shear0.0错切角度±透视perspective0.0透视变换幅度典型 0–0.001色调抖动hsv_h0.015HSV 色调变化幅度饱和度抖动hsv_s0.7HSV 饱和度变化幅度亮度抖动hsv_v0.4HSV 明度亮度变化幅度复制粘贴copy_paste0.0分割/OBB 任务把物体的额外副本粘贴进样本复制粘贴模式copy_paste_modeflipflip同一图内镜像副本mixup取自另一张图通道交换bgr0.0RGB 与 BGR 通道顺序互换概率自动增强策略auto_augmentrandaugment分类任务randaugment/autoaugment/augmix策略随机擦除erasing0.4分类任务随机擦除区域概率0.0–1.0关闭马赛克close_mosaic10最后 N 个 epoch 关闭马赛克0 表示始终开启训练时这些变换并非孤立执行而是按固定顺序组合成一条流水线v8_transforms()ultralytics/data/augment.py依次组合Mosaic → RandomPerspective内含平移/旋转/缩放/错切/透视的仿射变换→ 按模式插入CopyPaste→MixUp/CutMix→Albumentations→RandomHSV→ 垂直翻转 → 水平翻转。Mosaic这类混合变换之所以高效是因为BaseDataset为它们维护了一个滑动图像缓冲区复用已加载样本而非反复读盘ultralytics/data/base.py。完整参数表与逐项含义请参阅增强设置augmentation settings逐参数的可视化效果见 YOLO 数据增强专项指南。附加Albumentations 自动接入如果环境里安装了albumentations包YOLO 会自动启用其内置的 Albumentations 增强如模糊、CLAHE 等见流水线中的Albumentations(p1.0, ...)环节。也可以通过自定义hyp.augmentations传入自定义 Albumentations 变换列表。案例实战交通场景车辆检测的数据预处理假设我们要用 YOLO26 从交通图像中检测并分类车辆图像已用边界框标注。每一步预处理决策如下缩放Resizing无需手工处理——YOLO26 在训练时按imgsz自动完成含 Mosaic 裁剪。归一化Normalization无需手工处理——YOLO26 自动把像素缩放到[0,1]。划分Splitting按 70% 训练 / 20% 验证 / 10% 测试划分保证各类别在三个子集中分布一致若类别失衡用分层抽样。增强Augmentation针对交通场景设置参数——例如开启fliplr提升方向不变性车辆左右对称、适度调高hsv_v模拟昼夜光照差异、保持mosaic以获得多样的物体密度与大小组合。把这些决策落实之后数据集就可以进入探索性数据分析EDA环节了。探索性数据分析Exploratory Data Analysis, EDAEDA 借助统计量与可视化揭示数据中的模式与分布帮助你在训练之前就发现类别不均衡、异常离群样本等隐患。统计型 EDA 技术先计算基础统计量——均值、中位数、标准差、极差等作用于像素强度分布这类属性。它们能快速给出数据集质量的概览及早暴露异常。可视化 EDA 技术可视化能呈现摘要统计量看不出的问题类别不均衡、离群点。常用工具包括直方图与箱线图展示像素值分布标记强度或特征分布中的离群点。条形图通过对比各类别样本数揭示类别不均衡。散点图探索图像特征或标注之间的关系。热力图可视化像素强度分布或标注在图像上的空间分布判断标注是否偏向画面某区域。用 Ultralytics 平台做免代码 EDA不想写代码时可以把数据集上传到 Ultralytics 平台见平台文档。数据集页面的Charts标签会自动生成核心 EDA 图表划分分布、各类别样本计数 Top N、图像宽/高直方图以及标注位置与图像尺寸的二维热力图。Images标签则提供网格、紧凑或表格三种视图浏览数据并叠加标注框/掩膜方便你不写一行代码就发现标注错误样本或失衡类别。结论正确划分、归一化并增强后的数据能降低噪声、提升泛化能力把一摞原始图像变成可靠的训练集。数据预处理完成后下一步就是训练你的模型。如果在实践中遇到增强参数调优或数据格式转换的困惑YOLO 数据增强指南与通用配置文档是最值得优先查阅的补充资料。常见问题FAQ为什么数据预处理在计算机视觉项目中如此重要预处理确保数据干净、一致且格式适合训练。通过处理原始数据中的噪声、不一致性与类别不均衡缩放、归一化、增强与划分能降低计算负载并提升模型性能。其在完整工作流中的位置参见计算机视觉项目步骤。如何用 Ultralytics YOLO 做数据增强通过训练参数而非数据集 YAML 配置增强。把fliplr、mosaic、hsv_h、degrees等参数传给model.train()或等价 CLI 标志即可设定每个变换的概率与强度完整定义见增强设置、原理讲解见 YOLO 数据增强指南。姿态数据集是例外其flip_idx关键点映射必须写在数据 YAML 里缺失时左右翻转会被源码禁用。计算机视觉数据最好的归一化方法是什么两种最常见的是 min-max 缩放把像素缩放到 0~1和 z-score 归一化按均值/标准差标准化。YOLO26 自动应用 min-max 缩放——转换到 RGB 并除以 255——因此不需要手动归一化默认也不应用 z-score 归一化。训练前应该怎样划分已标注数据集常见做法是 70% 训练 / 20% 验证 / 10% 测试。保持类别分布在三个子集间一致通过先划分、后增强且只增强训练集来避免数据泄漏。可用 scikit-learn、TensorFlow 工具高效划分也可用仓库内置的autosplit()快速生成图像清单文件上游的数据准备参见数据采集与标注指南。YOLO26 能自动处理不同尺寸的输入图像吗能。imgsz参数控制目标输入尺寸无需手工缩放。固定正方形输入路径下验证与推理按 letterbox 处理保持宽高比、灰边填充大图等比缩小、小图在禁用 scale-up 时不被放大。训练路径默认由马赛克增强四图拼接后裁剪来逼近目标尺寸。启用rectTrue矩形批量或multi_scale多尺度训练时会使用不同形状。详见模型训练文档。【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
