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。实现Copy-Paste的三个关键步骤
