Data Augmentation

Data Augmentation im Überblick

Data Augmentation ist eine Technik, die den effektiven Umfang eines Trainingsdatensatzes vergrößert, indem aus vorhandenen Daten neue Varianten erzeugt werden. Für Bilder bedeutet das: Spiegeln, Rotieren, Zuschneiden, Helligkeit ändern, Rauschen hinzufügen. Für Text: Paraphrasieren, Synonyme ersetzen, Übersetzung und Rückübersetzung. Das Modell lernt dadurch, invariant gegenüber diesen Transformationen zu sein – und generalisiert besser auf neue Daten. Data Augmentation ist besonders wertvoll, wenn echte Daten knapp oder teuer sind.

Data Augmentation vergrößert Trainingsdatensätze künstlich durch Transformationen. Aus einem Bild einer Katze werden zehn: Original, gespiegelt, rotiert, heller, dunkler, zugeschnitten…

Warum funktioniert das?

Das Modell lernt, dass eine Katze eine Katze bleibt – egal ob sie nach links oder rechts schaut. Das verbessert die Generalisierung auf neue, ungesehene Daten.

Beispiel Bildaugmentation:

Original-Bild
    ↓
┌───────────────────────────────────┐
│ Horizontal Flip    │ Rotation 15° │
│ Brightness +20%    │ Crop 90%     │
│ Gaussian Noise     │ Color Jitter │
└───────────────────────────────────┘
    ↓
7 Trainingsbeispiele statt 1

Technisch betrachtet

Bild-Augmentation

import albumentations as A

transform = A.Compose([
    A.HorizontalFlip(p=0.5),
    A.RandomBrightnessContrast(p=0.3),
    A.Rotate(limit=15, p=0.3),
    A.GaussNoise(p=0.2),
    A.RandomCrop(height=224, width=224, p=1.0),
])

augmented = transform(image=image)["image"]

Text-Augmentation

import nlpaug.augmenter.word as naw

aug = naw.SynonymAug(aug_src='wordnet')
augmented_text = aug.augment("Der schnelle Fuchs springt.")
# "Der rasche Fuchs hüpft."

Best Practices

• Domänenspezifisch: Augmentationen müssen zur Aufgabe passen
• Realistische Transformationen: Keine unmöglichen Variationen
• Online vs. Offline: Online (während Training) spart Speicher
• Validierung nicht augmentieren: Test/Val-Daten bleiben original