归一化

归一化是 数据预处理 中的一项基本技术，它涉及将数值属性重新缩放到标准范围。在 机器学习 (ML) 的背景下，数据集通常包含具有不同尺度的特征——例如年龄范围 (0–100) 与收入水平 (0–100,000)。如果不对这些差异进行处理，可能会导致 优化算法 偏向较大的值，从而导致收敛速度变慢和性能不佳。通过数据归一化，工程师可以确保每个特征对最终结果的贡献是成比例的，从而使 神经网络 能够更有效地学习。

常见的标准化技术

有几种标准的数据转换方法，每种都适用于不同的数据分布和算法要求。

• 最小-最大缩放: 这是最直观的归一化形式。它将数据重新缩放到固定范围，通常是 [0, 1]。此变换通过减去最小值并除以范围（最大值减去最小值）来执行。它广泛用于 图像处理 中，其中像素强度已知在 0 到 255 之间。
• Z-分数标准化: 尽管经常与归一化互换使用，但标准化特指将数据转换为均值为 0、标准差为 1 的形式。当数据服从高斯分布时，这尤其有用，并且对于假设数据呈正态分布的支持向量机 (SVM)等算法至关重要。
• 对数缩放: 对于包含极端异常值或遵循幂律的数据，应用对数变换可以压缩数值范围。这使得分布更易于 推理引擎有效解释， 而不会因巨大的值峰值而偏斜。

实际应用

归一化是各行业高性能AI系统流程中的标准步骤。

1. 计算机视觉 (CV): 在object detection和图像classify等任务中，数字图像由0到255的像素值组成。将这些大整数直接输入网络会减慢gradient descent的速度。一个标准的预处理步骤是将像素值除以255.0，将其归一化到[0, 1]范围。这种做法确保了YOLO26等高级模型的一致输入，提高了Ultralytics Platform上的训练稳定性。
2. 医学图像分析：医学扫描，例如医疗AI中使用的扫描，通常来自具有不同强度标度的不同机器。归一化确保MRI或CT扫描的像素强度在不同患者和设备之间具有可比性。这种一致性对于准确的肿瘤detect至关重要，使模型能够专注于结构异常而非亮度变化。

区分相关概念

区分归一化与深度学习中发现的类似预处理和架构术语至关重要。

• vs. 批量归一化：数据归一化是在原始输入数据集进入网络之前应用的预处理步骤。相反，批量归一化在模型训练期间在网络内部层之间运行。它对前一个激活层的输出进行归一化，以稳定学习过程。
• vs. 图像增强：归一化改变像素值的尺度，而增强改变图像的内容或几何形状（例如，翻转、旋转或改变颜色）以增加数据集多样性。像Albumentations这样的工具用于增强，而归一化是一种数学缩放操作。

实施实例

在计算机视觉中，归一化通常是管道中的第一步。以下python示例演示了如何使用NumPy 库手动归一化图像数据，此过程在训练期间会在Ultralytics YOLO26数据加载器中自动发生。

import numpy as np

# Simulate a 2x2 pixel image with values ranging from 0 to 255
raw_image = np.array([[0, 255], [127, 64]], dtype=np.float32)

# Apply Min-Max normalization to scale values to [0, 1]
# This standardizes the input for the neural network
normalized_image = raw_image / 255.0

print(f"Original Range: {raw_image.min()} - {raw_image.max()}")
print(f"Normalized Range: {normalized_image.min()} - {normalized_image.max()}")