本次学习主要针对数据集增强和模型预测
1、数据增强：
1）将四张训练图像组合成一张，增加物体尺度和位置的多样性。
2）复制一个图像的随机区域并粘贴到另一个图像上，生成新的训练样本
3）图像的随机旋转、缩放、平移和剪切，增加对几何变换的鲁棒性
4）通过线性组合两张图像及其标签创造合成图像，增加特征空间的泛化
5）一个支持多种增强技术的图像增强库，提供灵活的增强管道定义
6）对图像的色相、饱和度和亮度进行随机变化，改变颜色属性
7）沿水平轴随机翻转图像，增加对镜像变化的不变性。
比起我之前做的分类分割任务，yolo这边的数据增强用了更多的方法，我一般只用3、5、7，yolo还多了很多图片组合来增强数据
2、设置训练参数：
imgsz: 训练时的目标图像尺寸，所有图像在此尺寸下缩放。（这个我用高分辨率试了，效果相对好一点）
save_period: 保存模型检查点的频率（周期数），-1 表示禁用。
device: 用于训练的计算设备，可以是单个或多个 GPU，CPU 或苹果硅的 MPS。（不用管） optimizer: 训练中使用的优化器，如 SGD、Adam 等，或 'auto' 以根据模型配置自动选择。（这个我直接用Adam，感觉是最通用的）
momentum: SGD 的动量因子或 Adam 优化器的 beta1。
weight_decay: L2 正则化项。
warmup_epochs: 学习率预热的周期数。
warmup_momentum: 预热阶段的初始动量。
warmup_bias_lr: 预热阶段偏置参数的学习率。
box: 边界框损失在损失函数中的权重。
cls: 分类损失在总损失函数中的权重。
dfl: 分布焦点损失的权重。
后面基本上都没有管，怕越调越差
3、YOLO 模型预测行为和性能
|---------|-------------|-------|-------------------------------------------------------------------------------|
| 参数名 | 类型 | 默认值 | 描述 |
| conf | float | 0.25 | 置信度阈值，用于设置检测对象的最小置信度。低于此阈值的检测对象将被忽略。调整此值有助于减少误报。 |
| iou | float | 0.7 | 非最大值抑制（NMS）的交并比（IoU）阈值。较低的值通过消除重叠的边界框来减少检测数量，有助于减少重复项。 |
| imgsz | int 或 tuple | 640 | 推理时定义图像的大小。可以是单个整数（如640），用于将图像大小调整为正方形，或(height, width)元组。合适的尺寸可以提高检测精度和处理速度。 |
| augment | bool | FALSE | 启用预测时的数据增强（TTA），可能通过牺牲推理速度来提高检测的鲁棒性。 |
除了imgs之外我都没管，设置为1024
本次实验完成后效果不太好，上一次的Task2可以跑到0.08，而这两次同样使用yolov8x只跑出来0.006，调整的参数主要在数据增强
又调了几次，都卡在一样的值了，不知道哪里出了问题