118、YOLOv8改进实战：Copy-Paste增强——基于实例分割掩码的样本复制与粘贴技术
从一次翻车现场说起
去年做工业缺陷检测项目，客户给的数据集只有800张，缺陷类别倒是有12种。训练出来的模型在验证集上mAP有0.78，一上产线就原形毕露——漏检率飙到30%。翻看badcase，发现模型对遮挡、重叠、边缘截断的缺陷几乎全部失效。当时我试了Mosaic、MixUp、CutMix这些常规增强，效果都不理想。直到我把Copy-Paste搬过来，mAP直接涨了8个点，漏检率降到5%以下。
这个坑让我意识到：数据增强不是越多越好，而是要对症下药。Copy-Paste的核心思想很朴素——把一张图里的目标实例“抠”出来，贴到另一张图上。但实现细节里全是坑，今天我把踩过的雷都摊开讲。
Copy-Paste到底在解决什么问题
常规增强手段比如随机裁剪、翻转、颜色抖动，本质上是在单张图像内部做变换。遇到小样本、密集遮挡、背景复杂这些场景，模型学到的特征分布会严重偏向训练集的统计特性。Copy-Paste通过跨图像的目标实例混合，直接扩充了目标在场景中的出现位置、尺度、遮挡关系、背景上下文——这些正是模型泛化能力的关键瓶颈。
YOLOv8的官方代码里其实内置了Mosaic和MixUp，但Copy-Paste需要依赖实例分割掩码来精确控制粘贴区域。没有掩码，直接像素级粘贴会导致边界生硬、背景污染，模型反而学坏。
