Die Erweiterung von Trainingsdatensätzen hat sich bei mehreren Aufgaben im Bereich des maschinellen Sehens als wirksam erwiesen, um die Lernleistung zu verbessern. Eine gute Datenaugmentation erzeugt einen erweiterten Datensatz, der Variabilität hinzufügt, ohne die statistischen Eigenschaften des ursprünglichen Datensatzes zu verändern. Einige Techniken, wie AutoAugment und Fast AutoAugment, haben eine Suchphase eingeführt, um für ein gegebenes Modell und einen gegebenen Datensatz geeignete Augmentationsstrategien zu finden. Dieser Ansatz ist jedoch mit erheblichem Rechenaufwand verbunden, der bis zu mehreren tausend GPU-Stunden betragen kann. Kürzlich wurde RandAugment vorgestellt, das die Suchphase erheblich beschleunigt, indem der Suchraum durch eine geringe Anzahl von Hyperparametern approximiert wird. Dennoch bleibt auch hier ein nicht vernachlässigbarer Aufwand für die Abstimmung dieser Hyperparameter bestehen. In diesem Paper zeigen wir, dass unter der Annahme, dass der Augmentationsraum annähernd verteilungsinvariant ist, eine gleichmäßige Stichprobe aus dem kontinuierlichen Raum von Augmentationsoperationen ausreicht, um hochwirksame Modelle zu trainieren. Auf dieser Erkenntnis aufbauend präsentieren wir UniformAugment, einen automatisierten Ansatz zur Datenaugmentation, der vollständig auf eine Suchphase verzichtet. Neben der Diskussion der theoretischen Grundlagen, die unseren Ansatz stützen, demonstrieren wir anhand standardisierter Datensätze und etablierter Modelle für die Bildklassifikation, dass die Wirksamkeit von UniformAugment mit den oben genannten Methoden vergleichbar ist, während es gleichzeitig aufgrund des vollständigen Verzichts auf eine Suche äußerst effizient bleibt.