06 数据增强的艺术：Mosaic + MixUp + Copy-Paste三重奏，小目标mAP暴涨6%
开篇故事：那个被“增强”搞瞎的模型
上个月，我一个做工业质检的朋友老张找到我，愁眉苦脸地说：“我按你上一篇说的，把CIoU和Focal Loss都用上了，模型在难样本上是好了点，但小目标检测反而更差了——瓶子上的微小划痕，原来能检出30%，现在只剩15%。”
我让他把数据增强代码发我一看，差点没笑出声。他用了4个随机裁剪、3个旋转、2个颜色抖动，还加了GridMask——所有增强叠加在一起，小目标被切得七零八落，模型压根没见过完整的小目标长啥样。
“你这是把数据增强当自助餐，恨不得每样都来一勺。结果模型学到的全是碎片，反而‘失明’了。”我说。
今天这篇，我就带你避开这个坑，聊聊真正能让小目标检测质变的数据增强组合拳：Mosaic + MixUp + Copy-Paste。这不是简单的缩放翻转，而是能让你的YOLOv11在小目标mAP上直接提6%的“黄金配方”。
痛点拆解：数据增强不是越多越好
常见误区：增强堆叠 = 模型更强？
很多同学（包括当年的我）有个朴素想法：数据增强越多，模型泛化能力越强。于是写出这样的代码：
# 反例：无脑堆叠增强<
