Moderne tiefe neuronale Netze können hohe Genauigkeit erzielen, wenn die Trainingsverteilung und die Testverteilung identisch sind. Diese Annahme wird jedoch in der Praxis häufig verletzt. Bei einer Verteilungsunsynchronität zwischen Trainings- und Testdaten kann die Genauigkeit stark abnehmen. Derzeit existieren nur wenige Techniken, die die Robustheit gegenüber unerwarteten Datenverschiebungen während der Bereitstellung verbessern. In dieser Arbeit präsentieren wir eine Methode zur Verbesserung der Robustheit und der Unsicherheitsschätzungen von Bildklassifikatoren. Wir stellen AugMix vor, eine datenbasierte Verarbeitungstechnik, die einfach umzusetzen ist, nur geringe zusätzliche Rechenkosten verursacht und Modellen hilft, unerwarteten Verzerrungen standzuhalten. AugMix verbessert die Robustheit und die Unsicherheitsschätzungen erheblich auf anspruchsvollen Benchmarks für Bildklassifikation und schließt in einigen Fällen die Lücke zwischen früheren Methoden und der bestmöglichen Leistung um mehr als die Hälfte.