Les méthodes d’augmentation automatique sont récemment devenues une pierre angulaire essentielle pour obtenir de fortes performances des modèles dans les tâches de vision. Alors que les méthodes existantes d’augmentation automatique nécessitent souvent un compromis entre simplicité, coût et performance, nous proposons une base extrêmement simple, appelée TrivialAugment, qui surpasse presque sans effort les méthodes antérieures. TrivialAugment est dépourvue de paramètres et n’applique qu’une seule transformation d’augmentation à chaque image. Son efficacité, donc, nous a surpris, et nous avons mené des expériences approfondies pour analyser ses performances. Tout d’abord, nous comparons TrivialAugment aux méthodes de pointe précédentes dans divers scénarios de classification d’images. Ensuite, nous réalisons plusieurs études d’ablation en variant les espaces d’augmentation, les méthodes d’augmentation et les configurations expérimentales afin de comprendre les conditions critiques nécessaires à sa performance. En outre, nous fournissons une interface simple pour faciliter l’adoption généralisée des méthodes d’augmentation automatique, ainsi que notre ensemble complet de code pour garantir la reproductibilité. Étant donné que notre travail met en évidence un stase dans plusieurs aspects de la recherche sur l’augmentation automatique, nous concluons par une proposition succincte de bonnes pratiques visant à assurer un progrès continu dans ce domaine.