图像增强别乱堆:Compose 管线里,顺序比数量重要

简介: 图像增强别乱堆:Compose 管线里,顺序比数量重要

图像增强别乱堆:Compose 管线里,顺序比数量重要

作者:Echo_Wish

前阵子有个读者私信我:「Echo 老师,我的分类模型卡在 82% 不动了,是不是该换个更大的 backbone?」

我让他把数据加载那段代码发过来,一看就乐了。Compose 里塞了十几个变换,Normalize 排在中间,ColorJitter 却放在它后面。模型没毛病,毛病出在管线上。

很多人把 transforms.Compose 当成一个「调料架」,觉得多撒几样总没错。我的看法正相反:数据增强是在教模型「世界允许怎样变化」,管线就是你写给模型的世界观。 世界观写歪了,模型越努力学,偏得越远。

今天就聊聊怎么把这条管线搭得靠谱。

一、Compose 的本质:函数串联,顺序就是语义

Compose 没什么神秘的,就是把一堆可调用对象按顺序串起来,前一个的输出是后一个的输入。

class Compose:
    def __init__(self, transforms):
        self.transforms = transforms

    def __call__(self, x):
        for t in self.transforms:
            x = t(x)
        return x

所以任何带 __call__ 的东西都能放进去,这一点后面写自定义增强时很有用。

二、一条靠谱的基础管线

先看一个我常用的训练和验证管线:

import torch
from torchvision import transforms as T

MEAN = (0.485, 0.456, 0.406)
STD = (0.229, 0.224, 0.225)

train_tf = T.Compose([
    T.RandomResizedCrop(224, scale=(0.6, 1.0)),                 # 几何:随机裁剪+缩放
    T.RandomHorizontalFlip(p=0.5),                              # 几何:水平翻转
    T.RandomApply([T.ColorJitter(0.3, 0.3, 0.2, 0.05)], p=0.8), # 颜色:亮度/对比度/饱和度/色相
    T.RandomApply([T.GaussianBlur(5, sigma=(0.1, 1.5))], p=0.2),# 质量退化:模糊
    T.ToTensor(),                                               # PIL -> Tensor, 值域 [0,1]
    T.Normalize(MEAN, STD),                                     # 标准化,必须靠后
    T.RandomErasing(p=0.25, scale=(0.02, 0.1), value=0),        # 随机擦除,只能在 Tensor 上做
])

val_tf = T.Compose([
    T.Resize(256),
    T.CenterCrop(224),
    T.ToTensor(),
    T.Normalize(MEAN, STD),
])

我的顺序习惯是:几何变换 → 颜色变换 → 转 Tensor → 标准化 → 擦除类。下面说说为什么。

三、观点一:顺序错了,增强会变成破坏

最典型的坑是把颜色类变换放到 Normalize 之后:

# ❌ 错误示范
bad_tf = T.Compose([
    T.ToTensor(),
    T.Normalize(MEAN, STD),
    T.ColorJitter(brightness=0.4),   # 这时候像素值已经是负数了
])

ColorJitter 是按「像素值在 [0,1] 之间」这个前提设计的,调亮度后还会把结果截断(clamp)到 [0,1]。你的数据已经被标准化成 [-2, 2.6] 左右,一截断,负值全被砍成 0,图像直接废了。更坑的是它不报错,只是模型莫名其妙学不好。

所以我的原则是:凡是假设像素在 [0,1] 的操作,都得排在 Normalize 前面。 这类坑没有报错信息,只能靠你自己知道顺序有讲究。

四、观点二:训练和验证,千万别共用一套

有人图省事,训练集验证集用同一个 transform。验证集上带着随机翻转、随机裁剪,指标每次跑出来都不一样,你根本分不清是模型变好了还是运气变好了。

验证和测试只做确定性变换:Resize、CenterCrop、Normalize,别的一概不加。增强是训练时的「磨刀石」,不是考试时的「干扰项」。

五、观点三:增强要贴合业务,别照搬教程

这条我最想强调。网上的增强配置满天飞,直接抄是最省事的,也是最容易翻车的。我见过的例子:

  • 做文字识别,加了水平翻转,「b」和「d」直接分不清了;
  • 做医学影像,用了大幅 ColorJitter,结果颜色本身就是诊断依据;
  • 做工业质检,随机裁剪裁掉了缺陷区域,标签还是「有缺陷」,等于喂给模型错误标签。

一个简单的判断标准是:增强之后的图,人看了还能给出同一个标签吗? 能,就是好增强;不能,就是噪声。

六、自定义增强:几行代码的事

标准库不够用时,自己写一个就行。比如给图像加高斯噪声,模拟低质量摄像头:

class AddGaussianNoise:
    """放在 ToTensor 之后、Normalize 之前"""
    def __init__(self, std=0.03, p=0.5):
        self.std, self.p = std, p

    def __call__(self, x: torch.Tensor):
        if torch.rand(1).item() > self.p:
            return x
        return (x + torch.randn_like(x) * self.std).clamp(0, 1)

    def __repr__(self):
        return f"{self.__class__.__name__}(std={self.std}, p={self.p})"

tf = T.Compose([
    T.RandomResizedCrop(224),
    T.ToTensor(),
    AddGaussianNoise(std=0.05, p=0.3),
    T.Normalize(MEAN, STD),
])

想「几种增强随机选一种」,用 T.RandomChoice;想「按概率整体启用」,用 T.RandomApply。这三件套组合起来,足够搭出大部分实用管线。

七、动手之前,先「看」一眼你的增强

我养成了一个习惯:管线写完不急着训练,先把增强后的图画出来看。

import matplotlib.pyplot as plt
from PIL import Image

def denormalize(x):
    mean = torch.tensor(MEAN).view(3, 1, 1)
    std = torch.tensor(STD).view(3, 1, 1)
    return (x * std + mean).clamp(0, 1)

def preview(img_path, tf, n=8):
    img = Image.open(img_path).convert("RGB")
    fig, axes = plt.subplots(2, n // 2, figsize=(3 * n // 2, 6))
    for ax in axes.flat:
        ax.imshow(denormalize(tf(img)).permute(1, 2, 0).numpy())
        ax.axis("off")
    plt.tight_layout()
    plt.show()

preview("sample.jpg", train_tf)

八张图一眼扫过去,哪个增强过头、哪个根本没生效,立刻就能看出来。这五分钟比你跑一整晚实验省事得多。

八、增强强度要当成超参数来调

增强不是越强越好。我习惯把强度抽成一个参数,方便做消融实验:

def build_train_tf(size=224, strength=1.0):
    s = strength
    return T.Compose([
        T.RandomResizedCrop(size, scale=(1.0 - 0.4 * s, 1.0)),
        T.RandomHorizontalFlip(),
        T.RandomApply(
            [T.ColorJitter(0.4 * s, 0.4 * s, 0.3 * s, 0.05 * s)],
            p=min(1.0, 0.8 * s),
        ),
        T.ToTensor(),
        T.Normalize(MEAN, STD),
    ])

for s in (0.0, 0.5, 1.0, 1.5):
    tf = build_train_tf(strength=s)
    # 训练并记录验证集指标……

数据量小的时候,增强强一点通常有帮助;数据量大、模型小的时候,增强太强反而会欠拟合。这个度没有标准答案,只能靠实验。

九、进阶:检测和分割任务用 v2

如果你做的是目标检测或语义分割,图像变了,框和 mask 也得同步变。老版 transforms 干不了这事,得用 transforms.v2:

from torchvision.transforms import v2
from torchvision import tv_tensors

det_tf = v2.Compose([
    v2.ToImage(),
    v2.RandomHorizontalFlip(0.5),
    v2.RandomPhotometricDistort(p=0.5),
    v2.ToDtype(torch.float32, scale=True),
    v2.SanitizeBoundingBoxes(),   # 清理增强后跑出画面的框
])

img = tv_tensors.Image(img_tensor)
boxes = tv_tensors.BoundingBoxes(boxes_xyxy, format="XYXY", canvas_size=(H, W))
out_img, out_target = det_tf(img, {
   "boxes": boxes, "labels": labels})

tv_tensors 会告诉管线「这是图、那是框」,翻转时框自动跟着翻。这比自己手写坐标变换省心太多,也不容易出错。

写在最后

聊了这么多,我想说的核心就一句:别把 Compose 当成「堆功能」的地方,把它当成「表达假设」的地方。 每加一个变换,都该问自己:现实里会出现这种变化吗?模型应该对它不敏感吗?答不上来,就别加。

我自己的感受是,早些年调模型,总想着换网络、加层数、堆技巧,后来才发现,很多「玄学」其实是数据管线里的小疏忽累积出来的。 把顺序理顺,把验证集管干净,把增强可视化看一遍,这些不起眼的事做扎实了,往往比换模型管用。

下次模型不涨点,先别急着怀疑人生,回头看看你的 Compose 吧。

我是 Echo_Wish,咱们下篇接着聊。

目录
相关文章
|
4天前
|
弹性计算 人工智能 API
Codex超详细入门指南(下载·安装·登录·上手,全版本覆盖,2026最新版)
建议收藏本教程,2026 全年各版本更新随时回来查阅。如果你在搭建过程中遇到任何问题,欢迎结合 阿里云工单系统 提交技术支持请求,或在 阿里云开发者社区 搜索 Codex 相关话题交流。 祝你编码愉快,效率翻倍!
1728 3
|
6天前
|
JSON 前端开发 API
阿里云最新Qwen4-Max大模型介绍:模型定位、特征、能力、适用场景解析
2026 年 11 月 11 日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问 AI 平台 Token Plan,并同步接入千问办公、Qoder 等入口。该版本聚焦知识理解、世界感知、编程与 Agentic 四项升级,主打复杂编程、专业办公、前端设计与专业软件操作。预览期至 11 月 25 日 24:00,到期后模型标识下线;限时 2 折、新用户再享 5 折,最低 1 折可体验。
|
6天前
|
人工智能 前端开发 API
阿里云Qwen4-Max 大模型详解:定位、特征、能力、适用场景与相对Qwen3-Max差异解析
2026年11月11日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问AI平台Token Plan并接入千问办公、Qoder等入口。该版本聚焦知识理解、世界感知、编程与Agentic四项升级,主打复杂编程、专业办公、前端设计与专业软件操作等真实任务。预览期为11月11日10:00至11月25日24:00,仅支持Token Plan调用,到期后模型标识下线;限时2折、新用户再享5折,最低1折可体验。
|
4天前
|
Linux Go 开发工具
手机上跑 DeepSeek 智能体:开源安卓客户端 DSH Go 安装与使用指南
DSH Go 是一款开源安卓客户端,将 DeepSeek Harness 智能体引擎装进手机:免 Root、免 Termux,一键安装即用;支持本机运行(内置 Ubuntu+Node.js)或远程接管电脑会话;具备插话打断、过程折叠、屏幕操控、端到端加密分享等特色功能,真正实现智能体“口袋化”。
3666 0
|
19天前
|
Linux 开发工具 iOS开发
Codex保姆级教程(下载+安装+登录+使用,含所有版本,2026最新)
Codex是OpenAI推出的开源AI编程智能体,本地运行,可理解整个代码库,支持自然语言指令改代码、执行命令、跑测试、修Bug,兼容Win/macOS/Linux。(239字)
8699 58
|
14天前
|
Linux 开发工具 iOS开发
2026最新codex下载安装保姆级使用教程(下载+安装+登录+使用,含所有历史版本)
本文详解OpenAI Codex国内快速上手指南:提供Win/macOS/Linux全平台免安装包、npm/Homebrew等多方式安装、账号/API Key双登录、简体中文切换,覆盖下载、安装、汉化、使用及高频避坑(如微软商店失败、npm超时等),10分钟即可跑通。
3091 9
|
19天前
|
JavaScript API iOS开发
DeepSeek Harness下载、安装、配置一篇搞定(2026整理,送常用插件)
DeepSeek Harness(DSH)是DeepSeek于2026年开源的MIT协议AI Agent框架,支持插件化组装模型、工具、沙箱与UI,兼容主流大模型。本文提供免Node.js的桌面端安装包(Win/macOS),含详细图文教程及热门插件推荐。
5855 69
|
7天前
|
云安全 人工智能 安全
|
11天前
|
人工智能 安全 API
DeepSeek Harness下载、安装、配置一篇搞定(2026整理,送常用插件)
DeepSeek Harness(dsh)是DeepSeek AI于2026年开源的轻量级Agent运行框架,基于Cordis内核,践行“一切皆插件”理念。支持Web/桌面双端,开箱即用;内置多模型接入、丰富插件生态(超3.5万),适配编程、办公、创作等场景。(239字)
1952 2

热门文章

最新文章