YOLO格式多类别数据集批量增强及YOLOv5训练精度提升求助

一、类别不平衡的针对性数据增强 #

• 针对YOLO格式标注的数据集，用统一参数增强补足少样本类别：
  • 几何增强：借助albumentations库实现随机水平/垂直翻转、0.8-1.2倍随机缩放、±10%随机平移，这些操作会自动同步调整YOLO边界框的归一化坐标，无需手动修改标签
  • 像素增强：添加随机亮度±20%调整、对比度±15%调整、3-5核大小的高斯模糊，这类操作不影响边界框位置，仅丰富样本多样性
  • 增强控制：先统计每个类别的现有样本数，计算需补充的数量，对少样本类别的训练集图片循环应用增强，直到达到指定数量注意：测试集和验证集禁止增强，避免数据泄露
• 数据集划分优化：若之前是随机划分，易导致少样本类别在验证/测试集中分布不均，建议改用分层划分，按类别比例分配样本到训练、验证、测试集，保证各子集类别分布与原数据集一致

二、YOLOv5训练精度低的排查与修复 #

1. 数据集正确性检查 #

• 验证YOLO标签格式：每一行必须遵循类别ID x_center y_center width height格式，所有坐标为相对图片尺寸的归一化值，需确保无超出0-1范围的异常值
• 核对类别映射：确认data.yaml中的类别名称顺序与标签里的类别ID完全对应，比如第0类对应文件中第一个类别名称，避免ID错位
• 可视化标注：运行python utils/plots.py --source 你的训练图片文件夹，直观检查标注框是否与目标物体匹配，排除标注错位、漏标等问题

2. 训练参数调整 #

• 学习率优化：YOLOv5s默认的lr0=0.01对小数据集过于激进，建议改为lr0=0.001，同时保持lrf=0.1的学习率衰减系数
• 预训练权重：必须使用官方预训练的yolov5s.pt初始化模型，不要用随机初始化，预训练权重能帮助模型快速学习通用特征
• 批次大小：显存允许的话，将batch-size调至16或32，过小的批次会导致梯度更新不稳定，影响模型收敛
• 简化增强：先关闭YOLOv5自带的过度增强（比如hyp.scratch-low.yaml中的随机透视、马赛克增强），先让模型学到基础特征，再逐步增加增强强度

3. 模型与配置检查 #

• 确认data.yaml中的nc=7设置正确，不要保留默认的80类配置
• 若v5s效果不佳，可尝试YOLOv5m模型，其更强的特征提取能力更适配多类别场景

三、训练过程监控 #

• 重点关注train和val的mAP@0.5指标，若验证集mAP始终无提升，大概率是数据集标注错误或模型过拟合
• 观察损失曲线：若初始损失极高且无下降趋势，优先排查数据集格式或类别映射问题；若训练损失下降但验证损失上升，说明过拟合，需减少增强操作或增加weight_decay=0.0005的正则化

内容的提问来源于stack exchange，提问作者Mohammad Wahaj Tariq