Datenaugmentierung ist eine der effektivsten Methoden zur Verbesserung der Genauigkeit moderner maschineller Lernmodelle und unverzichtbar für das Training tiefer Modelle im Kontext von Meta-Learning. In diesem Artikel stellen wir eine Aufgabenaugmentierungsmethode vor, die durch Drehung erreicht wird: Dabei werden die ursprünglichen Bilder um 90, 180 und 270 Grad gedreht, wodurch die Anzahl der Klassen erhöht wird – im Gegensatz zu herkömmlichen Augmentierungsverfahren, die die Anzahl der Bilder erhöhen. Durch eine größere Anzahl an Klassen können während des Trainings vielfältigere Aufgabeninstanzen abgefragt werden. Dadurch ermöglicht die Aufgabenaugmentierung durch Drehung das Training eines tiefen Netzwerks mittels Meta-Lernmethoden mit geringem Überanpassungsrisiko. Experimentelle Ergebnisse zeigen, dass unsere Methode der reinen Bildrotation zur Erhöhung der Anzahl an Bildern überlegen ist und auf den Few-Shot-Lernbenchmarks miniImageNet, CIFAR-FS und FC100 eine state-of-the-art Leistung erzielt. Der Quellcode ist unter \url{www.github.com/AceChuse/TaskLevelAug} verfügbar.