图像增强关键是用可控语义不变变换提升模型鲁棒性，包括几何变换（翻转、旋转、裁剪）、色彩光照扰动（HSV调整、阴影/雨滴模拟）及噪声模糊（高斯噪、运动模糊），需分阶段引入、同步标注、在线实时增强。
图像增强是深度学习中提升模型泛化能力的关键步骤，Python借助OpenCV、PIL、albumentations和torchvision等库可以高效完成。核心不是“加更多图”，而是用可控的、语义不变的变换模拟真实场景变化，让模型更鲁棒。
基础几何变换：翻转、旋转、裁剪
这类操作不改变图像内容本质，但能显著增加样本多样性。水平翻转（尤其是对称物体如人脸、车辆）几乎零成本且效果明显；小角度旋转（±15°内）模拟拍摄倾斜；随机裁剪+缩放则模拟目标远近变化。
- 用
albumentations一行实现：a.Compose([a.HorizontalFlip(p=0.5), a.RandomRotate90(p=0.3), a.RandomResizedCrop(224, 224, scale=(0.8, 1.0), p=0.5)]) - 注意：旋转后留黑边？加
border_mode=cv2.BORDER_REFLECT自动镜像填充 - 裁剪前建议先做
PadIfNeeded，避免原图太小导致裁不出目标区域
色彩与光照扰动：模拟环境差异
同一物体在不同光照、白平衡、曝光下像素值差异很大。单纯调亮度/对比度容易过曝或死黑，推荐使用更稳定的HSV空间调整，或直接用预设的“天气滤镜”式增强。
-
a.RandomBrightnessContrast(brightness_limit=0.2, contrast_limit=0.2, p=0.5)——数值别超0.3，否则失真严重 -
a.HueSaturationValue(hue_shift_limit=10, sat_shift_limit=20, val_shift_limit=20, p=0.5)——比RGB调整更符合人眼感知 - 加
a.RandomShadow(p=0.3)或a.RandomRain(p=0.2)（albumentations v1.4+）可提升户外场景鲁棒性
噪声与模糊：对抗传感器缺陷
真实摄像头常有高斯噪声、运动模糊、对焦虚化。加入合理噪声能让模型对低质输入更稳定，但需控制强度，避免污染标签语义。
冰兔(Btoo)网店系统
下载
系统简介：冰兔BToo网店系统采用高端技术架构，具备超强负载能力，极速数据处理能力、高效灵活、安全稳定；模板设计制作简单、灵活、多元；系统功能十分全面，商品、会员、订单管理功能异常丰富。秒杀、团购、优惠、现金、卡券、打折等促销模式十分全面；更为人性化的商品订单管理，融合了多种控制和独特地管理机制；两大模块无限级别的会员管理系统结合积分机制、实现有效的推广获得更多的盈利！本次更新说明：1. 增加了新
立即学习“Python免费学习笔记（深入）”；
-
a.GaussNoise(var_limit=(10.0, 50.0), p=0.3)——var_limit超过100会明显看出噪点，慎用 -
a.MotionBlur(blur_limit=7, p=0.3)——模拟快速移动，blur_limit为奇数，常用3/5/7 - 避免叠加多种强噪声，比如同时加高斯噪+椒盐噪+模糊，容易让模型学偏
组合策略与注意事项
增强不是堆砌越多越好。实际训练中要分阶段：初期用轻量增强保特征完整性，后期逐步加入强变换；同时验证集只做标准化（Normalize），不做任何增强。
- 分类任务：优先用翻转+色彩扰动+小裁剪
- 检测/分割任务：所有几何变换必须同步作用于bbox或mask，
albumentations原生支持bboxes和masks参数 - 保存增强结果？除非调试，否则建议在线实时增强（on-the-fly），节省磁盘又保证随机性
- 自定义增强？继承
albumentations.ImageOnlyTransform或DualTransform，重写apply和apply_to_bbox方法即可
基本上就这些。选对库、控好强度、同步标注、分阶段引入——图像增强不复杂但容易忽略细节。
