开篇故事上个月，我去一家汽车零部件工厂做项目验收。客户的生产线检测工位装了两台海康相机，白天检测精度99.2%，一到晚上换班就掉到91%。车间主任急得直跺脚：“你们算法是不是有bug？白天好好的，晚上就瞎了？”我蹲在生产线旁观察了两个小时，发现问题出在灯光上——白天自然光+补光灯，光照均匀；晚上只有补光灯，而且灯管老化，照在零件表面的光斑分布完全变了。更麻烦的是，生产线时不时要切换产品型号，每次切换后光照条件都不一样。客户之前试过全局Gamma校正，试过直方图均衡化，效果都不稳定。有个工程师甚至写了个if-else逻辑：如果平均亮度低于某个阈值就提亮，结果在部分暗区反而过曝了。这就是我今天要讲的核心问题：YOLO模型在极端光照变化场景下，如何实现自适应的、鲁棒的推理？不是简单调个Gamma，而是让模型自己学会“看情况办事”。痛点拆解常见错误实现很多人的第一反应是：把图像亮度归一化到某个固定范围。我见过太多这样的代码：defnaive_lighting_fix(image)