177、Albumentations 库集成 YOLOv11 数据管道的代码实现与 10 种增强策略组合从一次诡异的mAP下降说起去年秋天帮一个自动驾驶项目调YOLOv11，客户反馈白天场景检测效果不错，一到黄昏就崩。我第一反应是数据增强没覆盖光照变化，翻看训练代码，发现用的是PyTorch自带的transforms——RandomHorizontalFlip、ColorJitter、RandomAffine，看起来挺全。但跑了一轮消融实验，加了ColorJitter后mAP反而掉了0.8个点。排查了两天，最后定位到问题：ColorJitter对bbox坐标的随机扰动没有做像素级对齐，导致标注框和增强后的图像内容错位。这让我下定决心把Albumentations集成进YOLOv11的数据管道。为什么Albumentations比TorchVision更适合YOLOTorchVision的transforms设计哲学是“对图像做变换，对标注做同样变换”，但YOLO的bbox是归一化坐标，很多空间变换（比如随机裁剪、透视变换）需要同时调整bbox坐标和类别标签。Albumentations原生支持这种“图像+掩码+bbox+关键点”的联合变换，而且它的Compose可以指定