YOLO雪天数据增强实战：从掉点到mAP提升的完整方案

做YOLO目标检测训练的人，大多都遇到过这种场景：模型在晴天样本上验证集的mAP看着还不错，一部署到雪天环境，漏检、误检一起冒出来。我去年做户外场景的车辆和行人检测时，就被雪天掉点折磨了两个多月。后来我系统性地给训练数据集加了一轮“雪数据增强”，把真实雪天测试集上的mAP@0.5从67.2%拉到了78.6%。这篇文章会把我的完整思路、实现代码、参数选择和踩坑经验都摊开讲，适合在YOLOv8/YOLOv5上做自定义数据集训练，同时需要提升模型在雪天、雨雾等恶劣天气下鲁棒性的同学参考。

我不会只给一个“调参完就结束”的结论，而是把为什么需要雪增强、不同实现路线怎么选、增强图像和标签如何保持一致、训练策略怎么配合这些细节都说清楚。整个过程都是我在真实项目里验证过的，可以直接抄作业。

1. 雪天场景下的目标检测掉点：先搞清问题在哪

1.1 雪的三种破坏方式：亮度淹没、纹理掩蔽、伪轮廓干扰

很多人以为雪天检测掉点只是因为“图像变白了”，实际没这么简单。我拆下来，雪的干扰至少有三个层面。

第一是亮度淹没。雪地反射率很高，大面积积雪会把整个画面的亮度抬高，部分区域尤其是逆光部分会直接过曝。YOLO这类单阶段检测器依赖特征图上的局部响应判断目标，一旦目标区域淹没在高亮反光里，特征响应会弱很多。之前测试里有一张雪后停车场的图，车身、地面、天空都是白色，模型直接没输出任何框。

第二是纹理掩蔽。雪花落在目标表面或物体边缘，会把CNN依赖的边缘、角点、纹理细节盖住。目标检测框的回归需要对边缘位置敏感，纹理被掩蔽后，框的定位会偏移，IoU达不到阈值，AP就往下掉。比如穿黑色羽绒服的行人站在雪地里，下半身和深色背景混在一起，YOLO经常只框出上半身。

第三是伪轮廓干扰。飘雪在快门时间内会形成短线状的模糊痕迹，和图像里的小目标轮廓很像。如果训练数据里完全没有雪，模型会把这种噪声误判成待检测目标，于是雪天场景的误检数量会明显上升。我见过一个极端案例：夜间雪天，车灯照射下的雪花被识别成一连串行人。

所以雪增强的目标不是简单加一点雪花贴图，而是要同时模拟这种全局亮度变化、局部纹理损失和随机噪点干扰。

1.2 为什么不直接花钱标注真实雪天数据

可能有人会问：既然真实雪天数据最好，为什么不直接去采集一批真实雪天的图像来标注？这个问题我在项目初期也认真想过，结论是真实雪景数据只能局部解决，不能全面替代增强。

首先是采集窗口太短。一个城市一年真正的大雪天可能就几天，还要兼顾不同时间段、不同场景、不同光照，拍摄窗口非常有限。等一个冬天采集完，项目早就结束了。其次是标注成本高，雪天图像本身就模糊，人眼都可能看不清目标，标注一致性也很难保证。最终即使标出来了，样本多样性也不够：小雪、中雪、大雪、雪后晴天、夜间雪景、车灯反光、镜头积雪……每种情况都标一批，成本会非常夸张。

所以在项目初期，先用数据增强快速构造一个覆盖不同雪况的训练分布，是最务实的选择。真实雪景数据可以后面再补少量，用来做验证集或者微调。

1.3 像素级增强的边界：标签为什么不用动

做YOLO数据增强，最怕的一件事是图像变了、标签没跟着变，模型学到的就是错误映射。雪增强恰恰属于最容易处理的一类变换，它是像素级增强，不做几何变换，不改变物体的位置、大小和形状。

这意味着对于一张YOLO格式的数据，图像上任意像素点的值变了，但目标的x_center、y_center、width、height都不会变，类别也不会变。这也是雪增强能无缝接入YOLO训练流程的根本原因。如果换了旋转、裁剪、透视变换这类空间变换，就必须注意label要同步做坐标变换，一旦忘记就会造成标签错位，模型收敛不出正确结果。

不过，像素级增强也有边界。它只是模拟雪天图像的成像差异，并不能凭空造出原来数据集里不存在的目标语义。比如训练集里没有夜间车灯下的行人样本，雪增强也变不出真实的夜间目标形态。所以正确的心态是：用雪增强扩大已有目标的视觉分布，而不是替代数据采集。

2. 三条雪增强路线：我为什么先走规则叠加

2.1 规则叠加路线：Albumentations的RandomSnow

提到图像数据增强，很多做视觉的人第一反应是Albumentations，它提供的RandomSnow变换就是典型的规则叠加式雪增强。

RandomSnow的基本原理是：生成一张随机噪声图，设定一个阈值，噪声值高于阈值的像素被判定为“雪花”，把这些像素提亮变白，再通过系数控制整体亮度。从视觉效果上看，这个方法能模拟出飘雪、积雪和画面偏白的感觉，虽然不如真实照片那么自然，但做目标检测训练已经足够。

关键参数有三个：

• snow_point_lower 和 snow_point_upper：控制雪花密度的阈值范围。按我的经验，这两个值越小，被判为雪花的噪声像素越多，画面雪越密；反之雪越疏。
• brightness_coeff：控制雪花区域的亮度系数，值越大，画面越白、越刺眼。
• p：应用这个增强的概率。

一开始我用默认参数效果并不理想，因为默认雪量偏大，小目标全被盖住了。后来改成按强度分档，才稳定下来，这个后面第4节会详细写。

2.2 域迁移路线：CycleGAN风格转换

比规则叠加更“高级”一点的做法是用域迁移模型，比如CycleGAN，把晴天图像整体迁移成雪天风格。这个路线的优势是生成结果更自然，尤其是光照变化、阴影、色温这些全局属性都会跟着变，不是简单地加白色噪点。

但我不建议在大多数YOLO项目里一上来就用这条路，原因有三个。

第一，训练一个CycleGAN需要足够多的源域和目标域图像，尤其需要足够多的真实雪天图像。这又回到了数据稀缺的问题上，等于绕了一圈还得先解决数据。第二，推理成本高。大批量对训练集做风格迁移，一张高分辨率图像可能要跑几百毫秒，生成上万张图非常耗时。第三，模型生成有时会改变目标本身的结构，比如把车辆尾灯拉长、行人轮廓扭曲。一旦目标语义被改坏，就算图像风格再真实，训练出来的YOLO也会学到错误特征。

所以域迁移更适合对图像真实感要求很高的场景，或者已经有大量真实雪景域图像作为基础数据的情况。快速提升YOLO鲁棒性，我不建议从这里开始。

2.3 3D渲染合成路线：真实感最强但工程成本最高

还有一条路线是用3D渲染引擎，比如Blender或Unreal，搭一个雪天场景生成带标注的合成数据。这个路线的真实感可以做到很强，而且能够自由控制相机位姿、光照、雪花密度，甚至可以输出精确的3D框和2D框，对自动驾驶仿真这类场景很有价值。

缺点是工程成本极高。要做场景建模、材质调优、光照设计，还要处理合成数据和真实数据之间的域偏差（通常叫sim-to-real gap），不是一个小团队短期能搞定的事情。如果只是给一个YOLO模型做雪天鲁棒性提升，直接用这条路线属于杀鸡用牛刀。

2.4 路线对比：先规则叠加，再按需升级

这三条路线我最后做了个对比，方便你参考：

我的建议是：绝大多数YOLO自定义数据集项目，先走规则叠加路线。成本低、可解释强、标签不用动，而且效果已经能顶住大部分雪天场景。后面如果发现合成感确实限制了模型继续提升，再考虑域迁移做补充。

3. 给YOLO数据集加雪：直接可用的处理流程

3.1 环境准备与数据集结构确认

我用的是Python + Albumentations + OpenCV，这些库直接用pip装就行：

bash复制pip install albumentations opencv-python-headless tqdm

在动手之前，先确认你的数据集是标准YOLO格式。通常目录结构是这样的：

code复制datasets/
  raw/
    images/
      train/   # 所有训练图片
      val/     # 验证图片
    labels/
      train/   # 每张图片同名.txt
      val/

每个txt文件里，一行表示一个目标：

code复制class_id x_center y_center width height

其中x_center、y_center、width、height都是归一化到0~1之间的小数。这个格式决定了纯像素级增强后，标签完全不需要改。

3.2 离线生成雪景变体，标签原样复制

在线增强后面会讲，但为了先把流程跑通，我建议先做离线增强，生成一批雪景变体图像，和原始数据合并训练。

下面这个脚本会对训练集里每个图像按50%的概率生成一张雪景变体，另存到新的目录，对应的标签文件原样复制过去。

python复制import cv2
import numpy as np
import shutil
import random
from pathlib import Path
import albumentations as A

random.seed(42)

src_images = Path("datasets/raw/images/train")
src_labels = Path("datasets/raw/labels/train")
dst_images = Path("datasets/snow/images/train")
dst_labels = Path("datasets/snow/labels/train")

dst_images.mkdir(parents=True, exist_ok=True)
dst_labels.mkdir(parents=True, exist_ok=True)

transform = A.Compose([
    A.RandomSnow(
        snow_point_lower=0.15,
        snow_point_upper=0.3,
        brightness_coeff=2.2,
        p=1.0
    )
])

image_paths = sorted(src_images.glob("*.jpg")) + sorted(src_images.glob("*.png"))

for img_path in image_paths:
    if random.random() > 0.5:
        continue

    image_bgr = cv2.imread(str(img_path))
    if image_bgr is None:
        continue

    image_rgb = cv2.cvtColor(image_bgr, cv2.COLOR_BGR2RGB)

    augmented = transform(image=image_rgb)
    aug_rgb = augmented["image"]

    aug_bgr = cv2.cvtColor(aug_rgb, cv2.COLOR_RGB2BGR)

    out_img_path = dst_images / f"snow_{img_path.name}"
    cv2.imwrite(str(out_img_path), aug_bgr)

    label_path = src_labels / (img_path.stem + ".txt")
    if label_path.exists():
        out_label_path = dst_labels / f"snow_{img_path.stem}.txt"
        shutil.copy(str(label_path), str(out_label_path))

print("snow augmentation done")

这段代码有几处是我实际踩过坑之后特意调整的。

颜色通道顺序必须注意。OpenCV读进来是BGR，Albumentations默认处理RGB，如果你直接把BGR数组传进去，出来的图像颜色会发蓝。所以代码里先BGR转RGB，处理完再转回BGR保存。

另一个坑是Albumentations的返回值。它接受一个image参数，返回一个字典，增强后的图在augmented["image"]里。如果上面忘了用变量接收，直接拿原始数组去操作，就没有任何增强效果。

3.3 可视化自检：增强完一定要检查

生成完雪景变体后，第一件事不是急着合并训练，而是随机抽一批图，把增强前后的图像和标注框画出来对比，确认“图像变了、框没动”这件事在视觉上成立。

我写了一个简单的检查脚本，把原图、增强图、标签框拼在一起看：

python复制import cv2
from pathlib import Path

def draw_yolo_boxes(image, label_path, class_names=None):
    h, w = image.shape[:2]
    if not Path(label_path).exists():
        return image
    with open(label_path, "r") as f:
        for line in f:
            parts = line.strip().split()
            if len(parts) != 5:
                continue
            cls_id, cx, cy, bw, bh = parts
            cx, cy, bw, bh = float(cx), float(cy), float(bw), float(bh)
            x1 = int((cx - bw / 2) * w)
            y1 = int((cy - bh / 2) * h)
            x2 = int((cx + bw / 2) * w)
            y2 = int((cy + bh / 2) * h)
            cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 2)
    return image

img_name = "frame_00123.jpg"
raw_img = cv2.imread(str(Path("datasets/raw/images/train") / img_name))
snow_img = cv2.imread(str(Path("datasets/snow/images/train") / f"snow_{img_name}"))

raw_img = draw_yolo_boxes(raw_img, str(Path("datasets/raw/labels/train") / (Path(img_name).stem + ".txt")))
snow_img = draw_yolo_boxes(snow_img, str(Path("datasets/snow/labels/train") / (Path(img_name).stem + ".txt")))

vis = cv2.hconcat([raw_img, snow_img])
cv2.imwrite("check_augmentation.jpg", vis)
print("saved to check_augmentation.jpg")

这个步骤非常值得做。我第一版参数下，有一批增强图像中行人区域被雪花完全盖住，肉眼已经辨认不出目标，这种图训练进去只会让模型学到“看不到也要瞎猜”。经过可视化自检后，我把大雪强度调低了。

3.4 合并数据集：dataset.yaml怎么写

增强图像生成后，有两种合并方式。

一种是把雪景变体直接复制到原始训练集目录里，然后在dataset.yaml里把train指向同一个目录。这种方式最简单，但如果增强比例需要频繁调，就不好控制。

另一种是保留独立目录，然后在dataset.yaml里把train写成一个列表，这也是我比较推荐的方式：

yaml复制path: datasets
train:
  - raw/images/train
  - snow/images/train
val: raw/images/val

注意val路径一定不要包含增强图像。验证集的意义是衡量模型在真实分布上的表现，如果验证集里也混入增强图，指标会虚高，后面做任何判断都不准。

3.5 在线增强的正确接入思路

离线增强的问题有两个：一是磁盘占用翻倍，训练集1万张原始数据，再生成8000张增强图，就得存两万张；二是相同增强图会在每个epoch不断重复出现，容易造成过拟合。

更理想的方案是在线增强，也就是训练时每次读取图像，随机决定是否加雪。在YOLOv8里，官方训练管道的增强只内置了翻转、缩放、色彩抖动、马赛克等，并没有内置雪增强。如果想接入RandomSnow，需要修改数据增强管道或者在自定义Dataset的__getitem__里做处理。

我的建议是：如果项目时间紧，先用离线增强跑通，确认收益；如果要做正式的最终模型，再尝试在线增强。我在离线版本验证有效后才改的在线增强，避免一上来就在复杂的内部管道里折腾。修改ultralytics内部模块需要对每个版本的源码结构调整，不同版本不通用，这里就不贴硬编码补丁了。

4. 训练参数和采样策略：少踩一个坑是一个

4.1 增强比例不是越多越好：30%、50%、100%实测

我第一次做雪增强时有个错觉，以为越多越好，直接把训练集里所有图片都生成了雪景变体。结果真实雪天测试集确实涨了点，但晴天测试集反而掉了2个点，整体不稳定。

后来我做了几组对照实验，增强比例分别取0%、30%、50%、100%，结果如表：

50%的比例在雪天指标上最高，同时对晴天指标的损伤也控制在可接受范围内。到了100%，模型见过太多雪景，开始把“白茫茫一片”当成一种强先验，反而破坏了在正常图像上的表现。

这个比例不一定适合所有数据集，但规律可以参考：增强图占比不要过半，尤其是当你的原始数据集规模不大时，比如几千张，30%~50%是一个比较稳的区间。

4.2 强度分档：轻雪、中雪、大雪怎么设参数

为了模拟不同天气程度，我把RandomSnow分成三档，每个档位用不同参数：

这里再次提醒：lower和upper越小，被判为雪花的噪声像素越多，雪越密；brightness_coeff越大，画面越白。我建议生成完后随机抽100张肉眼检查，以“目标仍可辨认”为底线，不要为了追求风格化把训练样本搞成人工难以识别的图。

如果数据集里小目标占比高，就少用大雪档。我那个场景里小目标明显偏多，所以最终采用了“轻雪40%、中雪40%、大雪20%”的混合比例，效果比只用中雪更好。

4.3 增强顺序：RandomSnow放在Mosaic前还是后

YOLO的训练增强管道通常会把Mosaic放在前面，先把多张图拼成一张，再做其他空间和颜色变换。RandomSnow到底放在哪一步，我专门对比过。

放在Mosaic之前，每张子图独立加雪，拼接后边界处能看到明显的雪花密度差异，出现“拼图感”。放在Mosaic之后，雪花是整幅图统一生成的，更像真实镜头拍到的整体雪景，分布更自然。

我的最终顺序是：Mosaic展开后的空间增强、色彩增强全部做完，最后再叠加RandomSnow这类像素级噪声。理由很简单，真实相机的传感器噪声、雪花干扰本来就是成像的最后一步，所以放在Pipeline末端更贴近物理过程。

不过这个顺序在离线增强里不存在，因为离线增强是单独对原图做变换，没有Mosaic参与。只有当你在自定义Dataset里和YOLO的Mosaic联动时，才需要考虑这个问题。

4.4 要不要开预热：让模型先学会基本特征

训练刚开始时模型还在学最基础的目标特征，这时候如果直接给强雪增强，可能让早期梯度方向偏掉，收敛变慢。我试过三种方案：全程不开增强、全程固定强度增强、前3个epoch不增强后面线性加温到目标强度。

结果前3个epoch不增强、后面逐渐增强的方案，收敛最稳，最终指标也最好。原因是前几个epoch模型需要快速建立对目标基本形状的认知，等认知建立起来了，再引入雪这种高度扰动性的样本，模型才能把它当作“局部噪声变化”消化掉。

在ultralytics默认参数里这个逻辑不好直接配置，我可以简单做法是：训练的前几轮用原始数据集跑，后面再把增强数据集并进去重新训练。虽然训练流程变复杂了，但收益确实存在。

5. 一轮完整实验复盘：指标、误检、过拟合

5.1 评估协议：测试集不能只用合成雪景

我做过一个错误示范：增强后直接用合成的雪景测试集来评估，指标涨得非常好看，心里还挺高兴。后来补充了一批真实拍摄的雪天视频帧作为测试集，才发现模型根本没有想象中强。

合成雪景和真实雪景之间存在域差距。测试集如果也用RandomSnow生成，等于模型见过这个分布，指标自然高，但没办法证明它在真实雪天能泛化。

所以我的建议是：至少准备一个由真实雪天图像构成的测试集，不需要多，200到300张就够了，但必须保证模型训练时没见过这些图。这样评估出来的mAP才有说服力。我最终汇报给团队的数据，也全部基于真实雪天测试集。

5.2 坑一：过度增强导致误检爆炸

第二组实验里我把大雪档比例调高了，结果在真实雪天测试集上，行人这一类别的precision掉了将近12个百分点，recall反而涨了一点。看混淆矩阵才知道，模型把很多密集的雪花误检成了行人。

这就是典型过度增强的副作用。解决思路有两个方向。一个是降低大雪档的比例，从40%降到20%，误检明显回落。另一个是后处理层面，把置信度阈值和NMS设置稍微调高一点，过滤掉那些置信度很低的小尺寸预测框。但要记住，后处理只是临时手段，治标不治本，根子上还是增强强度要合适。

如果你也遇到误检暴增，先去看每一类的precision和recall，再翻一下错误样例。如果错误都是集中在“小尺寸、低置信度”的雪花误检，基本可以锁定是雪增强强度过大。

5.3 坑二：随机种子不稳定导致实验不可复现

离线增强脚本如果没有固定随机种子，每次生成的雪景变体都不一样，导致两次实验之间除了“有没有增强”这个变量，还混入了“增强图具体内容不同”这个变量。

我第一轮对比实验就吃了这个亏。先跑了一次基线，再跑了一次增强，结果增强版本涨了3个点。后来想复现增强实验，数值却对不上，排查半天才发现是增强脚本没固定随机种子，两次生成的数据集不一样。

在Albumentations里，可以在Compose里传入random_seed参数，或者在脚本开头统一设置：

python复制random.seed(42)
np.random.seed(42)

对离线增强来说，固定seed之后生成的数据集就是确定的，实验可以复现。这是数据实验里的基本素养，但很多初学者容易忽略。

5.4 坑三：小目标被雪吞没，AP不升反降

小目标在雪天场景里本来信噪比就低，一旦增强过度，目标区域直接变成一块白斑，等于目标在图像里消失了。模型根本不可能从“没有目标”的图像里学出检测能力。

我在第一版参数里对远距离行人做了统计，小目标类别在雪天测试集上的AP不升反降，从41%掉到36%。原因就是大雪档位下，很多远距离行人区域被雪花完全覆盖。

解决办法有两个层面。第一，严格控制大雪档的使用比例，尤其是小目标多的数据。第二，在生成雪景时做轻微的目标区域保护，也就是在检测框内部降低雪花的强度和密度，让目标保持一定可辨认性。

但这里又有一个隐患：如果目标框内部完全不生成雪花，模型会学到“有目标的地方没有雪”这种不真实的线索。所以保护只能轻微，不能让框内区域和周围画面形成明显断层。我在实际操作中是把大雪档的brightness_coeff从3.0降到2.5，再配合降低大雪比例，小目标AP才回升。

6. 一点个人体会与后续方向

这套雪增强方案跑通之后，我最大的体会是：数据增强不是把图像变得“看起来像某种天气”就行，而是要考虑模型到底会在什么特征上失效，再把对应的变化注入到训练分布里。雪增强解决的是亮度淹没、纹理掩蔽和伪轮廓干扰这三类问题，如果只做表面叠加，模型很容易学到错误的捷径。

有一个方向我目前还在验证：按照目标尺度动态调整雪增强强度。比如当训练批次里小目标占比高时，自动降低当前batch的雪强度和比例；当大目标占主导时，再适当提高。这个思路理论上能让模型在不大幅牺牲小目标的前提下，更充分地学到雪天鲁棒性。

另外，雪增强不应该单独用。我后来把雨增强、雾增强、低光照增强和雪增强放在同一条增强管线里，按不同概率组合触发，模型的整体恶劣天气适应能力提升更明显。但要注意，一次batch里不要同时叠加太多天气增强，否则域偏移太强，模型可能会学到一些奇怪的伪影。

如果你也在做YOLO自定义数据集训练，我建议先按这篇文章的离线增强流程跑通，拿到一组baseline对比。只要真实雪天测试集上的mAP有提升，就说明方向是对的，再继续做在线增强和更复杂的合成方案。雪天只是恶劣天气的一种，理解了这套思路，雨、雾、夜间场景都可以用类似方法迁移过去。