【YOLOv11】073、YOLOv11域自适应：当模型在真实世界“水土不服”时

上周在产线部署YOLOv11时遇到个典型问题：在标注数据上mAP能达到0.89，到了实际产线摄像头下直接掉到0.47。不是过拟合，不是数据泄露，而是经典的数据分布不一致——训练数据来自实验室均匀光照下的高清图像，测试数据却是产线昏暗环境下的带噪画面。

问题本质：域偏移的幽灵

域自适应要解决的就是这种“训练域”和“测试域”分布差异的问题。在工业场景中，这种差异无处不在：

• 天气变化（晴天/雨天/雾天）
• 传感器差异（不同型号摄像头）
• 环境光照（实验室vs现场）
• 背景干扰（干净背景vs复杂背景）

传统的解决方案是收集更多目标域数据重新标注，但成本太高。域自适应让我们能在有限标注数据下，让模型学会“适应”新环境。

YOLOv11中的域自适应实战

基础策略：特征对齐

最直接的思路是在特征层面拉近两个域的距离。这里给出一个简化版的域分类器实现：

classDomainClassifier(nn.Module)