Los conjuntos de datos juegan un papel importante en el campo de la detección de objetos. Sin embargo, la producción del conjunto de datos está influenciada por el entorno objetivo y la subjetividad humana, lo que resulta en distribuciones desequilibradas de clases o incluso de larga cola en los conjuntos de datos. En la actualidad, los métodos de optimización basados en aumento de datos todavía dependen de ajustes de parámetros subjetivos, lo que resulta tedioso. En este documento, proponemos un algoritmo de aumento adaptativo multi-etapa de Copiar-Pegar (MSACP). Este algoritmo divide el entrenamiento del modelo en múltiples etapas de entrenamiento, cada etapa formando preferencias de entrenamiento únicas para esa etapa. Basándose en estas preferencias de entrenamiento, la información de clase del conjunto de entrenamiento se ajusta de forma adaptativa, lo que no solo alivia el problema del desequilibrio de clases en el entrenamiento, sino que también amplía diferentes tamaños de muestra para categorías con información insuficiente en diferentes etapas de entrenamiento. Se realizó una verificación experimental del conjunto de datos de señales de tráfico Tsinghua-Tencent 100K (TT100K) y se demostró que el método propuesto no solo puede mejorar el desequilibrio de clases en el conjunto de datos, sino que también puede mejorar el rendimiento de detección de los modelos. Al usar MSACP para trasplantar los pesos óptimos entrenados a una plataforma integrada, y combinando YOLOv3-tiny, se mejoró la precisión del modelo en la detección de señales de tráfico en escenarios de conducción autónoma, verificando la efectividad del algoritmo MSACP en aplicaciones prácticas.