L’augmentation de données est l’une des approches les plus efficaces pour améliorer la précision des modèles d’apprentissage automatique modernes, et elle est également indispensable pour entraîner un modèle profond en vue d’une méta-apprentissage. Dans cet article, nous introduisons une méthode d’augmentation de tâches basée sur la rotation, qui augmente le nombre de classes en faisant subir aux images originales des rotations de 90, 180 et 270 degrés, contrairement aux méthodes traditionnelles d’augmentation qui augmentent le nombre d’images. Grâce à un nombre accru de classes, nous pouvons échantillonner un plus grand nombre d’exemples de tâches diversifiés pendant l’entraînement. Ainsi, l’augmentation de tâches par rotation permet d’entraîner un réseau profond via des méthodes de méta-apprentissage avec un surajustement réduit. Les résultats expérimentaux montrent que notre approche surpasser la rotation classique pour augmenter le nombre d’images et atteint des performances de pointe sur les benchmarks de apprentissage peu supervisé miniImageNet, CIFAR-FS et FC100. Le code est disponible à l’adresse \url{www.github.com/AceChuse/TaskLevelAug}.