Les réseaux neuronaux profonds modernes peuvent atteindre une haute précision lorsque la distribution de formation et la distribution de test sont identiques, mais cette hypothèse est fréquemment violée en pratique. Lorsque les distributions de formation et de test ne correspondent pas, la précision peut chuter de manière significative. Actuellement, peu de techniques permettent d'améliorer la robustesse face aux décalages de données imprévus rencontrés lors du déploiement. Dans ce travail, nous proposons une méthode visant à améliorer la robustesse et les estimations d'incertitude des classificateurs d'images. Nous introduisons AugMix, une technique de traitement des données simple à implémenter, qui ajoute un surcoût computationnel limité et aide les modèles à résister à des perturbations imprévues. AugMix améliore de manière significative la robustesse et les mesures d'incertitude sur des benchmarks exigeants de classification d'images, réduisant de plus de la moitié l'écart entre les méthodes précédentes et les performances optimales dans certains cas.