数据增强有效量 使用指南
按增强变换组合与重复次数，估算数据增强后的等效训练样本量，辅助判断样本是否充足，适用于小数据集训练、过拟合缓解与增强策略设计。
计算公式与原理
理论扩充量 = 基数 × 增强倍数；有效等效量 = 基数 × [1 + (倍数 − 1) × 多样性系数]
数据增强的收益取决于"新增样本带来多少新信息"：若变换高度相似（旋转 1°），多样性系数趋近 0，扩得再多也只是重复；系数接近 1 才算真正等效的新数据。有效量超过数千后边际收益迅速下降。
使用步骤
- 填写「原始样本数」。
- 填写「每种样本增强次数」。
- 填写「增强多样性系数 0-1」。
- 结果区会即时更新；可一键复制结果用于记录或汇报。
典型使用场景
- 等效样本量≈原始样本×增强变换组合数×重复系数，但重复变换会带来相关性。
- 增强主要缓解过拟合而非凭空创造独立信息，组合越多样增益越实在。
- 小数据集应优先几何/颜色增强与混合策略(Mixup/CutMix)提升多样性。
算例参考
- 增强组合估算：原始 1000 张，施加翻转/旋转/色彩 3 类各 2 档共 8 种组合 → 等效≈1000×8=8000 张。若同一变换重复 3 次，有效增益远低于 3 倍，因样本高度相关。
注意事项
结果为按上述公式得到的理论估算值，实际表现受数据分布、实现细节与运行环境影响，落地决策请以实测为准；本工具纯前端运行，输入不上传服务器。
- 增强越多越好吗？
- 否。过度或不当增强(如旋转破坏方向语义)会引入噪声甚至错误标签，反而损害训练。应以验证集表现而非数量为准。
- 增强样本算独立样本吗？
- 不算。它们与原始高度相关，对泛化的贡献低于等量真实标注数据；扩增主要起正则化作用。