本次学习主要针对数据集增强和模型预测

1、数据增强：

1）将四张训练图像组合成一张，增加物体尺度和位置的多样性。

2）复制一个图像的随机区域并粘贴到另一个图像上，生成新的训练样本

3）图像的随机旋转、缩放、平移和剪切，增加对几何变换的鲁棒性

4）通过线性组合两张图像及其标签创造合成图像，增加特征空间的泛化

5）一个支持多种增强技术的图像增强库，提供灵活的增强管道定义

6）对图像的色相、饱和度和亮度进行随机变化，改变颜色属性

7）沿水平轴随机翻转图像，增加对镜像变化的不变性。

比起我之前做的分类分割任务，yolo这边的数据增强用了更多的方法，我一般只用3、5、7，yolo还多了很多图片组合来增强数据

2、设置训练参数：

imgsz: 训练时的目标图像尺寸，所有图像在此尺寸下缩放。（这个我用高分辨率试了，效果相对好一点）

save_period: 保存模型检查点的频率（周期数），-1 表示禁用。

device: 用于训练的计算设备，可以是单个或多个 GPU，CPU 或苹果硅的 MPS。（不用管） optimizer: 训练中使用的优化器，如 SGD、Adam 等，或 'auto' 以根据模型配置自动选择。（这个我直接用Adam，感觉是最通用的）

momentum: SGD 的动量因子或 Adam 优化器的 beta1。

weight_decay: L2 正则化项。

warmup_epochs: 学习率预热的周期数。

warmup_momentum: 预热阶段的初始动量。

warmup_bias_lr: 预热阶段偏置参数的学习率。

box: 边界框损失在损失函数中的权重。

cls: 分类损失在总损失函数中的权重。

dfl: 分布焦点损失的权重。

后面基本上都没有管，怕越调越差

3、YOLO 模型预测行为和性能

参数名	类型	默认值	描述
conf	float	0.25	置信度阈值，用于设置检测对象的最小置信度。低于此阈值的检测对象将被忽略。调整此值有助于减少误报。
iou	float	0.7	非最大值抑制（NMS）的交并比（IoU）阈值。较低的值通过消除重叠的边界框来减少检测数量，有助于减少重复项。
imgsz	int 或 tuple	640	推理时定义图像的大小。可以是单个整数（如640），用于将图像大小调整为正方形，或(height, width)元组。合适的尺寸可以提高检测精度和处理速度。
augment	bool	FALSE	启用预测时的数据增强（TTA），可能通过牺牲推理速度来提高检测的鲁棒性。

除了imgs之外我都没管，设置为1024

---

本次实验完成后效果不太好，上一次的Task2可以跑到0.08，而这两次同样使用yolov8x只跑出来0.006，调整的参数主要在数据增强

又调了几次，都卡在一样的值了，不知道哪里出了问题