一、一句话定义

数据增强（Data Augmentation）：

在不新增真实采集的原始数据的前提下，对已有数据集做变换、扰动、裁剪、拼接、加噪等操作，批量生成更多“等价但不一样”的样本，用来扩充训练集、防止模型过拟合、提升泛化能力。

简单说：用现有的少量数据，凭空变出很多可用的训练数据，不用重新采集、标注。

二、为什么要做数据增强？

深度学习模型非常吃数据，数据越少越容易出问题：

1. 数据太少：小数据集训练，模型容易死记硬背（过拟合），训练集准确率很高，测试集拉胯；

​

2. 场景单一：真实场景有光照、角度、位置、遮挡变化，但训练图片都是固定角度/亮度；

​

3. 标注成本极高：图像、文本、语音标注费时间费人力，没法无限采集新数据；

​

4. 提升泛化能力：让模型见过各种变体，遇到陌生样本也能识别准。

核心作用：

扩充数据量 → 降低过拟合 → 增强模型鲁棒性 → 实际部署效果更好

三、核心原理

模型学习的是特征本质，不是像素/文字的固定位置：

- 一张猫图，翻转、平移、调亮度，本质还是猫；

​

- 一句话，同义替换、打乱语序，语义不变；

数据增强就是保留标签不变，轻微改变样本形态，让模型学本质、不学表面位置和细节。

四、不同领域的数据增强方式（最常用）

1. 计算机视觉（图像 CV，YOLO、分类、分割都用）

最常见，你做YOLO训练必用：

- 几何变换：随机翻转（水平/垂直）、随机裁剪、缩放、平移、旋转、透视变换

​

- 像素变换：调整亮度、对比度、饱和度、色温、灰度化

​

- 加噪处理：高斯噪声、椒盐噪声、模糊、锐化

​

- 高级增强：MixUp、CutMix、Mosaic（YOLO标配）、随机遮挡、擦除

举例：

一张人脸图，左右翻转、调暗一点、稍微旋转15度，标签还是人脸，多了3个训练样本。

2. 自然语言处理（NLP，大模型、文本分类）

文本不能随便翻转，讲究语义不变：

- 同义词替换、随机插入近义词

​

- 随机删除少量无关字词、语序打乱

​

- 回译增强：中文→英文→再译回中文

​

- 随机掩码、句式改写

3. 语音/时序数据

- 语速快慢调整、音调升降

​

- 加环境噪声、时间偏移、截断补全

五、数据增强分两大类

1. 离线增强

提前把原图生成好多张增强图，保存到本地，数据集直接变多。

- 优点：训练时不用实时计算，速度快

​

- 缺点：占用硬盘空间，增强样本固定，模型还是会记住

2. 在线增强（工业界常用、YOLO默认）

训练过程中实时随机变换：每一轮读取图片时，当场随机翻转、调亮度、做Mosaic，每次训练看到的图都不一样。

- 优点：不占硬盘、无限种组合，防过拟合效果最好

​

- 缺点：训练时多一点计算量

六、举个最直白的例子

假设你只有 100张猫咪照片，直接训练模型很容易过拟合。

做数据增强：

每张图随机做：翻转+微调亮度+小角度旋转，每张变出5种变体。

瞬间变成 500张训练图，标签全不用改，不用自己再拍、再标注。

模型见过正着、反着、亮的、暗的、歪着的猫，以后随便拍什么角度都能识别。

七、注意事项（避坑重点）

1. 不能改变标签语义

比如数字6不能旋转成9，猫不能增强成狗，否则标签和样本对不上，模型学废。

​

2. 增强幅度不能太大

过度调亮、过度旋转，样本失去原本特征，反而起反作用。

​

3. 测试集/验证集绝不做增强

只有训练集做增强，测试集要用原始真实数据评估模型真实水平。

​

4. 不同任务选合适增强

人脸识别不能随意翻转，车牌识别不能乱旋转，要贴合业务场景。

八、总结一句话

数据增强就是低成本、零标注成本，对原有样本做合理随机变换，造出海量等价训练数据，专治深度学习数据少、过拟合、实战效果差三大问题，是做CV、NLP项目必用的基础操作。