大模型数据增强配置：从零搭建可用的图像增强流程
很多人在准备大模型训练数据时，会卡在数据增强配置这一步：脚本跑不起来、增强后图片变形、或者参数调了没效果。
这篇教程从零开始，带你在 Linux 服务器上完成一套可用的图像数据增强配置，重点解决环境依赖、脚本编写和结果验证三个环节。
先确认你的环境和数据格式
开始之前，你需要一台能运行 Python 的 Linux 服务器或本地电脑，建议 Python 3.8 以上。
数据增强通常针对图像分类或目标检测任务，假设你的原始图片放在 ~/dataset/images 目录下，格式为 JPG 或 PNG。
如果还没有数据，可以先用几十张图片测试流程。
安装必要的库。
这里使用 albumentations 和 opencv-python，前者是常用的图像增强库，后者负责读写图片。
执行：
pip install albumentations opencv-python numpy安装完成后，用 python -c "import albumentations; print(albumentations.__version__)" 检查是否成功输出版本号。
如果报错，优先检查 pip 版本和网络，可尝试更换国内镜像源。
编写增强脚本并设置输出目录
新建一个脚本文件 augment.py，放在数据集同级目录。
下面是一个基础增强配置，包含随机旋转、水平翻转、亮度对比度调整和随机裁剪，适合大多数图像任务：
import os
import cv2
import albumentations as A
input_dir = 'dataset/images'
output_dir = 'dataset/augmented'
os.makedirs(output_dir, exist_ok=True)
transform = A.Compose([
A.RandomRotate90(p=0.5),
A.HorizontalFlip(p=0.5),
A.RandomBrightnessContrast(p=0.3),
A.RandomResizedCrop(height=256, width=256, scale=(0.8, 1.0), p=0.5),
])
for filename in os.listdir(input_dir):
if not filename.lower().endswith(('.jpg', '.jpeg', '.png')):
continue
img_path = os.path.join(input_dir, filename)
image = cv2.imread(img_path)
if image is None:
print(f'无法读取: {filename}')
continue
augmented = transform(image=image)['image']
out_path = os.path.join(output_dir, f'aug_{filename}')
cv2.imwrite(out_path, augmented)
print(f'已生成: {out_path}')保存后运行 python augment.py。
如果一切正常，dataset/augmented 目录下会出现增强后的图片。注意：增强后的图片默认覆盖原文件名前缀，避免混淆。
调整参数时容易踩的坑
第一个常见问题是增强后图片尺寸不一致。
上面的脚本中 RandomResizedCrop 会统一输出 256x256，但如果你去掉它，输出尺寸会跟随原图。
训练模型通常需要固定尺寸，建议保留或显式加 A.Resize(256, 256)。
第二个坑是增强过度导致语义丢失。
比如对文本图像做大幅旋转，文字会变得不可读。原则是增强后的图片仍然能被人类识别为同一类别。
可以先小批量生成，人工抽查几张。
第三个坑是路径写错。
脚本中的 input_dir 和 output_dir 是相对路径，运行时必须在脚本所在目录执行，或者改成绝对路径。
如果提示 FileNotFoundError，先用 ls dataset/images 确认目录存在。
验证增强效果是否达标
跑完脚本后，不要直接拿去训练。
先做两步检查：一是统计输出图片数量，应该和输入图片数量一致（除非你故意跳过损坏文件）；
二是随机打开几张增强后的图片，确认没有全黑、全白或严重变形。
可以用一条命令快速统计：
ls dataset/augmented | wc -l如果数量对不上，检查脚本中的 continue 分支是否跳过了某些文件，或者原图是否损坏。
另外，增强后的图片建议保留一份原始副本，方便对比和回滚。
对于目标检测任务，增强时还需要同步变换标注框，albumentations 支持传入 bboxes 参数，但需要额外处理，本文以分类任务为例，检测任务请参考官方文档调整。
常见疑问
增强后的图片可以直接替换原图训练吗？ 不建议。
增强数据应作为补充，和原图一起放入训练集，避免原始分布被破坏。
为什么增强后图片颜色变得很奇怪？ 检查是否同时用了多个颜色变换，
比如 RandomBrightnessContrast 和 HueSaturationValue 叠加，
可以降低概率或减少变换种类。
服务器没有图形界面，怎么查看图片？ 可以用 scp 下载到本地查看，或者在脚本中增加保存缩略图到指定目录，再用浏览器访问。
整套流程的核心就是：装好库、写对路径、控制增强强度、跑完抽查。
按本文步骤操作后，你应该能得到一批可用的增强图片，后续再根据模型反馈微调参数即可。
