一、实验设置1. 数据集说明实验采用自主构建的农田场景数据集涵盖蓝草、藜、刺儿菜、玉米、莎草、棉花、龙葵、番茄、鸭跖草、莴苣、萝卜共 11 个类别总计 2750 张图像。数据均采集自真实田间环境覆盖不同生长期、不同光照强度、不同天气条件及不同程度遮挡的场景保证样本多样性。数据集按 8:1.6:0.4 比例随机划分为训练集、验证集与测试集。2. 基线模型与训练参数实验以 YOLOv8m 为基线模型统一训练参数如下输入图像尺寸640×640训练轮次200 epochs批次大小batch8优化器SGD初始学习率 0.01动量 0.937学习率调度余弦退火策略3 轮线性热身评价指标mAP0.5、mAP0.5:0.95、精确率、召回率、F1 分数所有实验仅调整数据增强策略其余参数完全一致确保对比结果的公平性。二、待对比增强方案设计选取目标检测领域 6 种主流增强策略进行单变量对照实验Mosaic 增强将 4 张图像随机裁剪拼接为一张丰富目标尺度与背景多样性提升小目标检测能力设置启用概率为 1.0。随机水平翻转以 0.5 概率对图像进行水平翻转模拟不同拍摄方向的目标形态。HSV 色域增强对图像色相、饱和度、明度进行随机扰动模拟不同光照条件下的视觉差异。随机平移与缩放随机平移 ±10%、缩放 ±50%模拟不同拍摄距离与目标位置变化。RandAugment自动化组合增强策略随机选取多种图像变换组合提升模型泛化性。MixUp 增强将两张图像按权重混合叠加提升模型对模糊边界的判别能力。三、对比实验结果与分析在统一测试集上对 7 组模型1 组基线 6 组单增强进行性能测试结果如下增强策略mAP0.5mAP0.5:0.95精确率召回率无增强基线0.9020.8130.8950.872Mosaic 增强0.9410.8650.9320.910随机水平翻转0.9150.8270.9040.885HSV 色域增强0.9280.8420.9210.897随机平移缩放0.9210.8360.9130.891RandAugment0.9350.8540.9270.905MixUp 增强0.9180.8310.9080.889结果分析Mosaic 增强增益最显著相比基线模型mAP0.5 提升 3.9 个百分点有效丰富了目标尺度分布与背景复杂度显著缓解农田场景下目标尺度单一、背景同质化的问题。色域增强适配性强HSV 色域增强对光照变化的鲁棒性提升明显适配田间从正午强光到傍晚弱光的复杂光照条件对逆光、阴影场景的识别精度提升显著。MixUp 增益有限在农作物细粒度检测场景下MixUp 带来的性能提升较弱原因是草本植物目标边界本身模糊图像混合反而增加了特征学习的难度。几何变换类增强效果中等随机翻转、平移缩放均有一定增益但提升幅度低于 Mosaic 与色域增强主要作用是提升目标位置变化的适应性。四、最优组合方案与实现在单增强实验基础上选取增益最高的三种策略进行组合Mosaic 增强 HSV 色域增强 随机水平翻转。组合训练后模型在测试集上 mAP0.5 达到 0.957mAP0.5:0.95 达到 0.888相比基线模型提升 5.5 个百分点为所有组合中的最优方案。核心训练配置代码如下from ultralytics import YOLO# 加载YOLOv8m预训练基线模型model YOLO(models/yolov8m.pt)if __name__ __main__:results model.train(datadatasets/CropData/data.yaml,epochs200,batch8,imgsz640,# 数据增强参数配置mosaic1.0, # 启用Mosaic增强hsv_h0.015, # 色相扰动范围hsv_s0.7, # 饱和度扰动范围hsv_v0.4, # 明度扰动范围fliplr0.5, # 水平翻转概率translate0.1, # 平移比例scale0.5, # 缩放比例optimizerSGD,lr00.01,cos_lrTrue,workers4)五、泛化性验证为验证组合增强方案的实际泛化能力额外构建包含极端光照、重度遮挡、模糊场景的难例测试集100 张样本进行验证。结果显示采用组合增强的模型在难例集上 mAP0.5 达 0.823相比基线模型的 0.716 提升 10.7 个百分点证明该增强组合能显著提升模型在复杂田间场景下的鲁棒性具备更高的实际应用价值。六、总结与选型建议在农作物与杂草识别场景下Mosaic HSV 色域增强 随机水平翻转是综合性价比最高的增强组合可同时提升检测精度与场景泛化能力。若算力与训练时间有限可优先启用 Mosaic 与 HSV 增强以较小的计算成本获得大部分性能收益。