196、YOLOv8改进实战：多尺度训练与测试增强（MST+Test-Time Augmentation）提升泛化能力去年年底接了个工业质检项目，检测手机中框上的微米级划痕。训练集里划痕大小分布还算均匀，一到现场就翻车——产线上来的样本，有的划痕细得像头发丝，有的宽到能塞进指甲盖。单尺度模型直接跪了，小目标漏检率飙到30%。当时第一反应是加小目标检测头，但改完发现大目标又飘了。后来翻出老项目里用过的多尺度训练（MST）和测试时增强（TTA），组合拳打下去，mAP直接涨了7个点。今天就把这套方案拆开揉碎了讲。多尺度训练：别让模型只认识一种分辨率YOLOv8默认的输入尺寸是640x640，但真实场景哪有这么规矩。多尺度训练的核心思路很简单：每个epoch随机从预设的尺度列表里抽一个，把训练图片resize过去。这样模型被迫学会在不同分辨率下提取特征，相当于白嫖了数据增强。实现时有个坑——尺度列表不是随便选的。我见过有人直接写[320, 480, 640, 800, 960]，结果小尺度下小目标直接缩成像素点，大尺度下显存爆了。经验值是围绕基准尺寸±30%浮动，步长32的倍数（因为YOLOv8的下采样倍数是32）。比如基准640，可以取[480, 512, 576, 640, 704, 768, 832]。注意别加960，除非你用的是A100。代码实现上，YOLOv8的train.py里有个load_mosaic函数，改起来比较方便。直接在数据加载阶段
