mediapipe model maker 当前（v0.10.9）不支持通过 api 直接指定如翻转、曝光调整或模糊等细粒度数据增强操作；仅提供全局开关 `do_data_augmentation`，其内置增强逻辑固定且不可配置。如需定制，需继承核心类并重写预处理流程。

MediaPipe Model Maker 的 image_classifier 模块为快速部署轻量级 TFLite 图像分类模型提供了便捷接口，但在数据增强方面设计较为封闭。其 HParams 中的 do_data_augmentation 参数仅为布尔开关，启用后将自动应用一组硬编码的增强操作：包括 tf.image.random_flip_left_right（随机水平翻转）和基于 tf.image.sample_distorted_bounding_box 的非等比随机裁剪（伴随后续 resize，易引入形变）。值得注意的是，曝光调整（exposure）、高斯模糊（blur）、色彩抖动、旋转等常见增强均未被内置支持，也无法通过参数配置开启或关闭其中某一项。

若你明确需要仅保留水平翻转 + 曝光调整 + 模糊（例如模拟光照变化与镜头模糊），标准用法无法满足。可行的技术路径有两条：

1. 子类化重写预处理器（推荐）
   继承 ImageClassifier 并覆盖 _create_preprocessing_layer() 或 _preprocess_fn 方法，注入自定义 tf.data.Dataset.map() 流程。示例片段如下：

import tensorflow as tf
from mediapipe.model_maker.python.vision.image_classifier import image_classifier

class CustomImageClassifier(image_classifier.ImageClassifier):
    @classmethod
    def _preprocess_fn(cls, image, label, is_training=True):
        # 基础解码与归一化（保持与原逻辑一致）
        image = tf.cast(image, tf.float32) / 255.0

        if is_training:
            # 仅启用水平翻转
            image = tf.image.random_flip_left_right(image)
            # 自定义曝光调整：随机 gamma 校正（模拟明暗变化）
            gamma = tf.random.uniform([], 0.8, 1.2)
            image = tf.pow(image, gamma)
            # 自定义高斯模糊（需 TensorFlow >= 2.9）
            image = tf.expand_dims(image, 0)  # 添加 batch 维度
            image = tf.nn.depthwise_conv2d(
                image,
                tf.constant([[[[0.0625]], [[0.125]], [[0.0625]], 
                              [[0.125]], [[0.25]], [[0.125]], 
                              [[0.0625]], [[0.125]], [[0.0625]]]], 
                     dtype=tf.float32),
                strides=[1, 1, 1, 1],
                padding='SAME'
            )
            image = tf.squeeze(image, 0)

        return image, label

2. 预处理数据集前置（更灵活）
   在调用 ImageClassifier.create() 前，直接对 train_data 和 validation_data（tf.data.Dataset 实例）应用自定义增强链：

def custom_augment(image, label):
    image = tf.cast(image, tf.float32) / 255.0
    image = tf.image.random_flip_left_right(image)
    image = tf.pow(image, tf.random.uniform([], 0.8, 1.2))  # 曝光
    image = tf.nn.conv2d(
        tf.expand_dims(image, 0),
        tf.reshape(tf.constant([0.0625, 0.125, 0.0625, 0.125, 0.25, 0.125, 0.0625, 0.125, 0.0625]), [3, 3, 1, 1]),
        strides=[1, 1, 1, 1], padding='SAME'
    )[0]
    return image, label

train_data = train_data.map(custom_augment, num_parallel_calls=tf.data.AUTOTUNE)

⚠️ 注意事项：

• MediaPipe Model Maker 的预处理器在内部封装了 tf.keras.layers.Resizing 和 tf.keras.layers.Rescaling，若手动增强后尺寸/范围不匹配，可能导致训练异常；建议在自定义增强后确保输出为 [H, W, 3] 形状及 [0.0, 1.0] 像素范围。
• 所有自定义增强必须兼容 tf.function（避免 Python 原生函数），否则会显著降低 tf.data 管道性能。
• 此限制已在 MediaPipe 社区被多次提出（如 GitHub Issue #4217），未来版本或开放 augmentation_config 字典参数，但当前 v0.10.9 仍需开发者介入底层实现。

综上，追求可控增强时，不应依赖 do_data_augmentation=True 的黑盒行为，而应主动接管预处理环节——这虽增加少量代码量，却换来模型鲁棒性与实验可复现性的关键保障。