Normalization

归一化是数据预处理中的一项基础技术，旨在将数值属性缩放到标准范围。在机器学习 (ML) 中，数据集通常包含规模差异巨大的特征，例如年龄范围（0–100）与收入水平（0–100,000）。如果不加以处理，这些差异可能导致优化算法偏向较大数值，从而导致收敛变慢和性能欠佳。通过对数据进行归一化，工程师可以确保每个特征都按比例为最终结果做出贡献，使神经网络能够更高效地进行学习。

Link to this section常见的归一化技术#

目前有几种标准的数据转换方法，每种方法都适用于不同的分布和算法要求。

• 最小-最大值缩放 (Min-Max Scaling)： 这是最直观的归一化形式。它将数据缩放到一个固定的范围，通常是 [0, 1]。这种转换通过减去最小值并除以范围（最大值减去最小值）来实现。它广泛应用于图像处理中，因为像素强度的边界通常已知为 0 到 255。
• Z-分数标准化 (Z-Score Standardization)： 虽然常与归一化混用，但标准化专门用于将数据转换为均值为 0、标准差为 1 的形式。当数据遵循高斯分布时，这种方法特别有用，并且对于像支持向量机 (SVM) 这样假设数据呈正态分布的算法来说是必不可少的。
• 对数缩放 (Log Scaling)： 对于包含极端异常值或遵循幂律的数据，应用对数转换可以压缩数值范围。这使得推理引擎能够更有效地解释分布，而不会受到巨大的数值尖峰的干扰。

Link to this section实际应用#

归一化是各行业高性能 AI 系统流水线中的标准步骤。

1. 计算机视觉 (CV)： 在目标检测和图像分类等任务中，数字图像由 0 到 255 之间的像素值组成。将这些大整数直接输入网络可能会减慢梯度下降的速度。一种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。这种做法确保了像 YOLO26 这样的先进模型能获得一致的输入，从而提高在 Ultralytics Platform 上的训练稳定性。

2. 医学图像分析： 医学扫描（如用于医疗保健中的 AI 领域的扫描）通常源自具有不同强度标尺的各种机器。归一化确保了 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检测至关重要，使模型能够专注于结构异常而非亮度差异。

Link to this section区分相关概念#

区分归一化与深度学习中其他类似的预处理和架构术语非常重要。

• 与 批归一化 (Batch Normalization) 的区别： 数据归一化是在数据进入网络之前应用于原始输入数据集的预处理步骤。相反，批归一化在模型训练期间在网络各层的内部运行。它对前一个激活层的输出进行归一化，以稳定学习过程。
• 与 图像增强 (Image Augmentation) 的区别： 虽然归一化改变的是像素值的尺度，但增强改变的是图像的内容或几何形状（例如翻转、旋转或改变颜色），以增加数据集的多样性。像 Albumentations 这样的工具用于增强，而归一化则是一种数学缩放操作。

Link to this section实现示例#

在计算机视觉中，归一化通常是流水线中的第一步。以下 Python 示例展示了如何使用 NumPy 库手动归一化图像数据，这一过程会在 Ultralytics YOLO26 数据加载器训练期间自动进行。

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()}")