“AutoML通过自动化生成额外训练数据的过程来管理图像任务的数据增强，从而提高模型性能。数据增强技术涉及通过各种变换修改现有图像，如旋转、翻转、缩放或应用颜色变化。这有助于创建更具多样性的数据集，进而防止模型过拟合，并提升其对新未见图像的泛化能力。AutoML系统通常结合这些变换的多种方法，并智能地选择能够基于验证性能带来最佳结果的变换。
AutoML实施数据增强的一个例子是使用预定义的变换库。当AutoML框架为图像分类任务设置时，它可能会应用随机裁剪或像素抖动等技术，后者涉及对像素进行轻微调整。这不仅增加了训练示例的数量，还帮助模型学习对某些变化保持不变，例如物体的方向和光照条件。在许多情况下，AutoML工具会在数据的子集上测试这些增强操作，并动态调整其参数，以找到最有效的组合。
此外，一些AutoML解决方案采用新的策略，如学习增强，系统在训练期间学习哪些增强效果最佳，而不是使用固定的变换。这种方法可以根据训练图像的特定特征自适应地改变应用的增强方式。通过监控模型性能并不断优化增强策略，AutoML可以显著提高图像模型的鲁棒性和准确性，而不需要开发人员进行大量的手动输入。总的来说，AutoML提供了一种简化图像数据增强的方式，使开发人员能够更高效地提升其图像分类或物体检测任务。”