视觉增广：别增到不合理

1. 框没跟着旋转就训练了幽灵标签

检测涨不动时先查增广——增广库忘了边界框参数，或手写仿射变换只变换中心点，标签就漂了。增广服务 部署域不变性，不是越多越好；错增广让模型学伪影，比不增广更糟。四图拼接改边界框坐标，标签必须重映射到新画布——漏重映射一张图的标签就全错。

2. 几何增广必须同步

增广库需 同一变换 作用于图像、边界框、掩码：

python

transform = A.Compose([
    A.HorizontalFlip(p=0.5),
    A.RandomBrightnessContrast(p=0.3),
], bbox_params=A.BboxParams(format='yolo', label_fields=['class_labels']))

OpenCV 手写：

python

M = cv2.getRotationMatrix2D((cx, cy), angle, scale)
rot = cv2.warpAffine(img, M, (w, h),
                     flags=cv2.INTER_LINEAR,
                     borderMode=cv2.BORDER_REFLECT_101)

边界框四角齐次变换再取轴对齐最小外接矩形会放大框（宽松框效应），训练可接受但要知道。分割掩码用同一矩阵变换，最近邻插值，否则标签编号被插值污染。姿态任务关键点可见性随遮挡置零。

3. 物理合理性

复制粘贴增广要 blend 和 color match，否则网络学粘贴边界。无缝克隆可做泊松混合，适合离线增广。行车数据水平翻转等于错车道；有方向语义的图（文字、左右标志）谨慎水平翻转。

4. 光度增广与部署域

颜色抖动、对比度受限自适应直方图均衡模拟光照；过强破坏颜色特征。与部署的自动白平衡、自动曝光策略一致——产线锁曝光时，训练也别用极端颜色抖动，否则部署域外。增广强度应在部署域内采样，不是越大越好。

5. 分割与姿态任务的同步

分割掩码必须用最近邻插值，图像用双线性——混用会把标签编号插值成无效类。姿态估计的关键点可见性要随遮挡置零，不能只变换坐标。透视变换后取轴对齐框会偏大，检测训练可接受但要意识到宽松框效应；若做实例分割，多边形顶点也要同步变换，不能只动中心点。

Mosaic 四图拼接时标签坐标必须 remap 到新画布——漏一张图的标注就污染整个 batch。极端透视增广让边界框物理上不可实现，小数据集慎用。复制粘贴增广要 blend 和 color match，否则网络学粘贴边界。

6. 案例：旋转增广漏同步

某检测项目加了随机旋转正负十五度，但脚本只旋转图像没同步边界框，验证精度虚高。训练集 ghost label 导致产线对小目标框系统性偏大。修复后验证精度降一点但产线对齐——增广 pipeline 的单测比盲训十轮更值得先做。

7. 验证集与验收

增广不进验证测试集。测试时增强是推理技巧，不是训练增广替代品。每一类增广要回答：部署域里会不会出现？行车数据别水平翻转，有文字的标志别随机翻转——这些不是保守，是物理约束。

可视化增广后叠加边界框，肉眼查十张
单测一张图刚性变换前后交并比大于零点九九
训练验证分布散度（特征空间）别差太多

增广 pipeline 应有单测：刚性变换前后交并比大于零点九九。可视化十张增广结果肉眼查，比盲训十轮更高效。训练增广与部署预处理（resize、归一化、色彩空间）必须一致，否则增广白做——这是常被忽略的 silent mismatch。