資料增強有效量 使用指南

按增強變換組合與重複次數，估算資料增強後的等效訓練樣本量，輔助判斷樣本是否充足，適用於小資料集訓練、過擬合緩解與增強策略設計。

計算公式與原理

理論擴充量 = 基數 × 增強倍數；有效等效量 = 基數 × [1 + (倍數 − 1) × 多樣性係數]

資料增強的收益取決於"新增樣本帶來多少新資訊"：若變換高度相似（旋轉 1°），多樣性係數趨近 0，擴得再多也只是重複；係數接近 1 才算真正等效的新資料。有效量超過數千後邊際收益迅速下降。

使用步驟

1. 填寫「原始樣本數」。
2. 填寫「每種樣本增強次數」。
3. 填寫「增強多樣性係數 0-1」。
4. 結果區會即時更新；可一鍵複製結果用於記錄或彙報。

典型使用場景

• 等效樣本量≈原始樣本×增強變換組合數×重複係數，但重複變換會帶來相關性。
• 增強主要緩解過擬合而非憑空創造獨立資訊，組合越多樣增益越實在。
• 小資料集應優先幾何/顏色增強與混合策略(Mixup/CutMix)提升多樣性。

算例參考

• 增強組合估算：原始 1000 張，施加翻轉/旋轉/色彩 3 類各 2 檔共 8 種組合 → 等效≈1000×8=8000 張。若同一變換重複 3 次，有效增益遠低於 3 倍，因樣本高度相關。

注意事項

結果為按上述公式得到的理論估算值，實際表現受資料分佈、實現細節與執行環境影響，落地決策請以實測為準；本工具純前端執行，輸入不上傳伺服器。

增強越多越好嗎？

否。過度或不當增強(如旋轉破壞方向語義)會引入噪聲甚至錯誤標籤，反而損害訓練。應以驗證集表現而非數量為準。

增強樣本算獨立樣本嗎？

不算。它們與原始高度相關，對泛化的貢獻低於等量真實標註資料；擴增主要起正則化作用。