数据增强可以说是数据驱动下的深度学习必经之路，掌握数据，相当于掌握当下主流方向的自动驾驶的命脉，是人工智能不可或缺的资源。本文将介绍最新的利用大模型扩充数据的方式！
先看下变色效果：
左褐色背景图 为原图，右侧为处理后的图！
AI day也在自动标注数据方面，着重介绍，由此可见数据的重要性！
深度学习中的数据增强（Data Augmentation）和数据扩充（Data Augmentation）是两个重要的概念，它们用于增加训练数据的多样性，提高模型的泛化能力。下面我将对这两个概念进行详细说明。
1. 数据增强（Data Augmentation）：
数据增强是指通过对原始训练数据进行一系列变换和修改，生成新的训练样本，从而扩展训练集的规模和多样性。常用的数据增强方法包括镜像翻转、旋转、缩放、平移、裁剪、颜色变换等。这些操作可以在不改变图像语义信息的情况下引入一些变化，使模型具有更好的鲁棒性。例如，在图像分类任务中，可以通过随机旋转和缩放来扩充训练数据，从而提高模型对旋转和尺度变化的适应能力。
- 数据扩充（Data Augmentation）：
数据扩充是指通过合成新的样本来扩展训练数据集。与数据增强不同，数据扩充并非依赖于原始数据的变换，而是利用一些外部数据或先验知识生成新的样本。数