引言：从一次“翻车”说起上周调一个工地安全帽检测项目，发现模型对小目标头盔的召回率死活上不去。试了Mosaic、CutMix，效果都一般。后来翻到一篇老论文《mixup: Beyond Empirical Risk Minimization》，突然意识到——YOLOv11官方居然没默认内置MixUp。自己动手补上，顺便把α参数从0.1到2.0跑了个遍，发现这玩意儿对YOLO系模型的收敛行为影响比想象中大得多。这个经历让我重新审视了一个老生常谈但很少有人系统讲透的问题：数据增强到底应该在线做还是离线做？Mosaic和MixUp这两种“重量级”增强，在工程实践中到底该怎么选、怎么配？本文将基于Ultralytics YOLOv11（ultralytics-8.3.9及以上版本）的源码实现，从架构设计、源码剖析、性能对比到部署方案，系统回答这个问题。关键句：数据增强不是“开开关”，而是有策略的信号注入。一、问题背景：YOLOv11数据增强的“三重困境”1.1 小目标检测的痛点YOLOv11在COCO数据集上的mAP达到68.3%，较前代版本提升4.2个百分点。但在实际落地中，小目标检测仍然是最大的痛点。根据Ultralytics官方文档，YOLOv11的核心预处理模