044、YOLOv11训练增强——多尺度训练MST与Test-Time Augmentation测试增强的实战配置与涨点对比上个月调一个工业缺陷检测的项目，模型在验证集上mAP跑到0.78，心里还挺美。结果一上测试集，直接掉到0.62——小目标漏检、大目标定位偏移，典型的过拟合到训练集分辨率了。当时盯着那个0.62的mAP看了十分钟，最后决定把多尺度训练和测试增强一起怼上去。这篇文章就聊聊这两个trick在YOLOv11里的落地姿势，踩过的坑和实际涨点数据都摆出来。多尺度训练MST：别让模型只认识一种尺寸YOLOv11默认训练是固定640x640输入，这玩意儿有个隐藏问题：模型会偷偷记住目标在特定尺度下的特征分布。你换个分辨率推理，特征图感受野全变了，精度直接崩。MST的核心逻辑很简单——每个epoch或者每个batch随机换输入尺寸。YOLOv11的ultralytics框架其实内置了这个功能，但默认没开，得手动撬开。# 在训练脚本里这样配，别直接改yaml，容易把其他参数带偏fromultralyticsimportYOLO model=YOLO 044、YOLOv11训练增强——多尺度训练MST与Test-Time Augmentation测试增强的实战配置与涨点对比
044、YOLOv11训练增强——多尺度训练MST与Test-Time Augmentation测试增强的实战配置与涨点对比上个月调一个工业缺陷检测的项目，模型在验证集上mAP跑到0.78，心里还挺美。结果一上测试集，直接掉到0.62——小目标漏检、大目标定位偏移，典型的过拟合到训练集分辨率了。当时盯着那个0.62的mAP看了十分钟，最后决定把多尺度训练和测试增强一起怼上去。这篇文章就聊聊这两个trick在YOLOv11里的落地姿势，踩过的坑和实际涨点数据都摆出来。多尺度训练MST：别让模型只认识一种尺寸YOLOv11默认训练是固定640x640输入，这玩意儿有个隐藏问题：模型会偷偷记住目标在特定尺度下的特征分布。你换个分辨率推理，特征图感受野全变了，精度直接崩。MST的核心逻辑很简单——每个epoch或者每个batch随机换输入尺寸。YOLOv11的ultralytics框架其实内置了这个功能，但默认没开，得手动撬开。# 在训练脚本里这样配，别直接改yaml，容易把其他参数带偏fromultralyticsimportYOLO model=YOLO