数据增强得按“任务类型 + 会不会破坏标签”来挑。分类可以放开手脚，检测和分割一旦动几何变换，标注框和mask必须跟着一起变，否则等于自己往数据里掺毒。

下面把常用方法按类别捋一遍：

第一类：几何变换，最基础也最常用。 水平翻转、随机旋转、平移、缩放、随机裁剪（分类里常用RandomResizedCrop）。作用是让模型对物体的位置、朝向、大小不敏感。注意两点：一是竖直翻转要慎用，行人、车牌、文字这类上下有意义的目标翻过来就成了假样本；二是旋转角度别太大，检测任务里转个45度，目标框会被撑得又大又空。

第二类：颜色和像素扰动。 亮度、对比度、饱和度、色相抖动，再加高斯噪声、高斯模糊、随机灰度。核心是模拟不同光照、不同相机、不同天气下的成像差异。YOLO里的hsv_h、hsv_s、hsv_v就是干这个的。但医学影像、遥感、工业质检这类颜色本身带信息的场景，色彩类增强要收着用，别把关键特征调没了。

第三类：遮挡类。 Random Erasing和Cutout，随机把图上一块区域抹掉或涂成噪声，逼模型别只盯着一个局部特征下判断。对遮挡多、目标容易被部分挡住的场景（行人、车辆）特别有用。

第四类：混合类。 Mixup是把两张图按比例叠加、标签也按比例混合；CutMix是把一张图的一块贴到另一张上，标签按面积分配。它们能显著提升泛化、抗过拟合，是很多比赛涨点的常用手段。检测任务里还有Mosaic——四张图拼成一张，一次见到更多尺度和更密的目标，YOLO默认就开着。

第五类：自动增强策略。 AutoAugment、RandAugment，把上面这些操作按搜索出来的策略自动组合。不想手调一堆参数，直接上RandAugment，两个参数（操作数量和强度）就能跑，省心。

再说下三个任务上的关键区别，分类最省心，图怎么变、标签都不变；检测做翻转、缩放、Mosaic时，边界框坐标必须同步变换，好在成熟框架都帮你处理好了，自己写dataset时千万别漏；分割的变换要原样作用到mask上，而且mask插值只能用最近邻，用了双线性会插出根本不存在的中间类别。

先想清楚你的数据缺哪类样本——是缺光照变化、缺遮挡、还是缺角度，再针对性地加对应增强。对着缺口补，比无脑全开有用一百倍。