【YOLOv11】055、YOLOv11在自动驾驶应用：车辆、行人、交通标志检测

上周在调试一个前向碰撞预警模块时，遇到了一个典型问题：夜间低光照环境下，系统对横穿马路的行人漏检率突然飙升到15%以上。日志里模型置信度飘忽不定，时而0.9，时而0.3，但帧间光照条件其实没有剧烈变化。这个问题让我重新审视了YOLOv11在自动驾驶场景下的几个关键设计细节——今天我们就聊聊这些实战中的门道。

数据层面的“暗区陷阱”

自动驾驶的数据集往往在白天场景下表现亮眼，但一到夜间或隧道入口，模型性能就容易滑坡。我们早期直接用COCO预训练权重做微调，结果在阴影区域的误检率高得离谱。后来发现，问题出在数据分布的断层上。YOLOv11的骨干网络对光照突变敏感，尤其是低对比度边缘容易丢失。

我们的解决方案是在数据增强阶段引入“光照抖动模块”，不是简单调整亮度，而是模拟车灯扫过、树影晃动、隧道明暗交替的连续变化。这里有个坑要注意：直接对整图做随机亮度调整会破坏车道线等关键特征的连续性，我们改为分区域渐进式调整，模拟真实光影过渡。

# 模拟车灯渐亮效果的区域增强defgradual_lighting_augment(img,center_x,ra