09 把AutoAugment策略固化到训练流水线：一次搜索，永久受益开篇故事：从“搜索成功”到“训练失败”上个月，我在给一个工业质检项目做YOLOv11训练优化时，用AutoAugment搜出了一套非常漂亮的增强策略——在CIFAR-10-like的模拟数据集上，mAP提升了3.2%。我兴冲冲地把策略文件扔给训练脚本，结果第二天一看日志：训练到第80个epoch时loss炸了，mAP从0.87直接掉到0.23。更诡异的是，同样的策略在另一台机器上跑又是正常的。排查了一天，发现罪魁祸首是策略应用时机：我把搜索到的策略直接套用在了整个训练过程中，而忘了在训练后期（模型过拟合阶段）降低增强强度。这就像给一个已经跑完马拉松的运动员再灌一桶红牛——不是助力，是毒药。痛点拆解：常见的三个认知误区误区1：策略文件是“万能钥匙”很多人认为，AutoAugment搜到的策略就是一个静态配置，直接写到yaml里就行。但实际场景中，策略的分布与数据集大小、模型容量、训练阶段都强相关。反例代码：# 错误做法：把搜索到的策略直接硬编码AUTOAUGMENT_POLICY=