albumentations需注意输入格式（hwc uint8）、标注同步（用shiftscalerotate而非affine）、参数约束（如亮度limit=0.1）、clahe需uint8、oneof/someof慎用互斥操作，并确保训练与推理预处理一致。
Albumentations 是目前 Python 图像增强最实用、最稳定的库之一，但直接套用默认参数反而容易破坏数据分布或引入无效噪声——关键不在“加多少”，而在“加在哪一环节”和“加什么类型”。
为什么 albumentations.Compose 不能直接替代 torchvision.transforms.Compose
两者接口相似，但底层行为差异极大：albumentations 默认要求输入是 numpy.ndarray（HWC 格式，uint8），而 PyTorch 的 DataLoader 默认输出是 CHW、float32 的 torch.Tensor。混用会导致 TypeError: expected np.ndarray (got torch.Tensor) 或颜色错乱。
- 必须在
__getitem__中把 PIL Image 或 tensor 先转成np.uint8，例如：np.array(image).astype(np.uint8) - 增强后需手动转回 tensor：用
torch.from_numpy(augmented['image']).permute(2, 0, 1).float() - 别在
Compose里塞Normalize—— Albumentations 的Normalize是按通道减均值除标准差，但默认使用 ImageNet 值；若你数据不是 RGB 或均值非 [0.485, 0.456, 0.406]，必须显式传入mean和std
Affine 和 ShiftScaleRotate 选哪个？看你的标注是否含 bounding box 或 keypoints
如果你做目标检测或关键点回归，几何变换必须同步更新标注坐标，否则训练会崩溃或收敛极慢。
python-script-generator
下载
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
-
ShiftScaleRotate内置对bboxes和keypoints的自动适配，只要传入bbox_params=alb.BboxParams(format='pascal_voc')或keypoint_params=alb.KeypointParams(format='xy')即可 -
Affine不支持 bbox/keypoint 自动变换，强行使用会导致坐标错位，报错如：KeyError: 'bboxes'或训练时 loss 突然飙升 - 旋转角度建议限制在 ±15° 内；超过 ±30° 容易让小目标移出图像边界，
border_mode=cv2.BORDER_REFLECT比默认的BORDER_CONSTANT更鲁棒
如何避免 RandomBrightnessContrast 把夜间图像调成过曝白片？
该变换对所有像素统一增益，不区分明暗区域，在低光照数据上极易丢失细节。不是“不能用”，而是要约束范围并配合其他操作。
- 亮度和对比度偏移量设窄：例如
brightness_limit=0.1, contrast_limit=0.1（默认是 0.2） - 加上
p=0.5降低触发频率，避免每张图都调 - 更安全的替代是
HueSaturationValue（仅调色相/饱和度，不碰亮度）或CLAHE（局部直方图均衡，专治暗部细节） - 注意：
CLAHE对 uint8 有效，若图像已归一化到 [0,1]，得先乘 255 并转np.uint8，否则失效且无报错
OneOf 和 SomeOf 的实际效果比想象中弱
它们常被当作“随机挑几个增强组合”，但默认权重均匀、无协同逻辑，容易出现语义冲突（比如同时加高斯噪声和 MotionBlur）。
-
OneOf([GaussNoise(), MotionBlur()], p=0.5)表示：有 50% 概率从这两个里**随机选一个**执行，不是“两个都可能生效” - 若想模拟真实退化（如监控视频常见“噪声+模糊+低分辨率”），应改用
Compose套嵌，并控制外层p，例如：Compose([Downscale(scale_min=0.5, scale_max=0.7), GaussNoise(), MotionBlur()], p=0.3) -
SomeOf的n参数指定“固定选几个”，但若列表里有互斥操作（如HorizontalFlip和VerticalFlip同时启用），结果不可控；建议只用于同类型操作，如多种噪声组合
真正影响泛化的，往往不是增强种类多寡，而是训练时是否与推理时的预处理保持“域一致”——比如训练用了 CLAHE，验证就必须同样开启；否则模型在验证集上看到的是未增强分布，指标会虚高。这点容易被忽略，尤其在 pipeline 分离开发时。
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！
