Data Augmentation

Einfach erklärt

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

Technischer Deep Dive

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

Technik	Beschreibung	Beispiel
Synonym-Ersetzung	Wörter durch Synonyme ersetzen	”schnell” → “rasch”
Back-Translation	Übersetzen und zurück	DE→EN→DE
Random Insertion	Zufällige Wörter einfügen	Kontextbasiert
Random Deletion	Zufällige Wörter löschen	Mit Wahrscheinlichkeit p

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