L'augmentation de données est une technique essentielle pour améliorer la capacité de généralisation des modèles d'apprentissage profond. Récemment, AutoAugment a été proposé comme un algorithme permettant de rechercher automatiquement des politiques d'augmentation à partir d'un ensemble de données et a considérablement amélioré les performances sur de nombreuses tâches de reconnaissance d'images. Cependant, sa méthode de recherche nécessite des milliers d'heures de calcul sur GPU, même pour un ensemble de données relativement petit. Dans cet article, nous proposons un algorithme appelé Fast AutoAugment qui trouve des politiques d'augmentation efficaces grâce à une stratégie de recherche plus performante basée sur l'appariement de densité. Comparé à AutoAugment, l'algorithme proposé accélère le temps de recherche de plusieurs ordres de grandeur tout en obtenant des performances comparables sur des tâches de reconnaissance d'images avec divers modèles et ensembles de données, notamment CIFAR-10, CIFAR-100, SVHN et ImageNet.