albumentations的compose必须显式实例化并调用，不能当装饰器；需注意rgb通道对齐、normalize位置与参数、bbox_params声明及a.lambda封装自定义函数。
Albumentations 的 Compose 必须显式调用，不能当装饰器用
很多人写完一堆 A.HorizontalFlip()、A.RandomBrightnessContrast() 就直接往模型里塞，结果报错 TypeError: 'Compose' object is not callable——这是因为 Compose 是个可调用对象，但必须先实例化再传入图像，不是语法糖或装饰器。
实操建议：
- 必须用
transform = A.Compose([...])构造，再用transform(image=img)调用（注意参数名是image，不是img或x） - 如果还传了
mask或bboxes，要同步加进字典里：transform(image=img, mask=mask, bboxes=bboxes) - 别在
Dataset.__getitem__里每次重新Compose，会拖慢数据加载；提前定义好self.transform
RGB 通道顺序和归一化必须手动对齐 PyTorch
Albumentations 默认按 uint8 [0–255] 处理图像，而 torchvision.transforms 常默认输入是 float32 [0–1]；更隐蔽的是：它内部始终按 HWC（高×宽×通道）和 RGB 顺序操作，但 OpenCV 读图是 BGR，PIL 是 RGB——混用就导致颜色发绿或增强失效。
实操建议：
- 用
cv2.imread()后立刻加cv2.cvtColor(img, cv2.COLOR_BGR2RGB) - 别在 Albumentations 后接
transforms.ToTensor()，它会把uint8错误地除以 255 再转float；改用A.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) -
A.Normalize必须放在Compose最后，且 mean/std 要和你模型预训练时一致（比如ResNet用 ImageNet 统计值）
带 bbox 的增强必须声明 bbox_params，否则坐标全乱
不做声明时，A.HorizontalFlip() 之类操作只改图，不碰 bboxes；即使传了 bboxes=...，也会被静默忽略，最终训练时 bbox 和目标完全错位。
实操建议：
- 必须显式传
bbox_params=A.BboxParams(format='pascal_voc', label_fields=['labels']) -
format要和你的标注格式严格对应：'pascal_voc'（xyxy）、'coco'（xywh）、'yolo'（center_x, center_y, w, h，归一化） -
label_fields是列表，里面变量名要和你传入字典的 key 完全一致，比如你传labels=cls_ids，这里就得写['cls_ids'] - 某些变换如
A.Crop可能导致 bbox 被裁出界，加filter_lost_elements=True自动丢弃无效框（但记得同步删掉对应labels）
自定义函数要用 A.Lambda 包一层，别直接塞 lambda
想加个直方图均衡化或 CLAHE？直接写 lambda x: cv2.createCLAHE(...).apply(x) 会报错 TypeError: expected str, bytes or os.PathLike object——因为 Albumentations 对 callable 的签名校验很严，裸 lambda 不满足其内部接口约定。
实操建议：
- 一律用
A.Lambda(image=your_func)，其中your_func是完整函数，接受image参数并返回处理后图像 - 如果还要处理
mask或bboxes，得同时定义mask=...和bboxes=...参数（哪怕只是lambda x: x） - 别在
A.Lambda里做耗时操作（如读文件、网络请求），它在数据加载线程里执行，会卡死DataLoader
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
