Les données du monde réel sont constituées de diverses caractéristiques complexes, dont l’un des problèmes les plus fréquents est l’imbalanced des classes, c’est-à-dire une inégalité du nombre d’exemples entre les différentes classes d’un ensemble de données. Ce déséquilibre est généralement traité à l’aide de différentes techniques d’échantillonnage. La technique d’augmentation, quant à elle, constitue une étape essentielle dans tout pipeline d’apprentissage automatique et est utilisée pour suréchantillonner les données des classes minoritaires. Ce travail vise à améliorer les performances du modèle en résolvant le problème d’imbalanced des classes grâce à l’application de diverses approches d’augmentation, permettant ainsi de générer plusieurs ensembles de données équilibrés à partir de différentes techniques d’augmentation et d’échantillonnage aléatoire. Les précisions obtenues pour chaque technique d’augmentation sont évaluées à l’aide d’un modèle RESNET18. Le modèle est entraîné sur jusqu’à 100 époques pour chaque configuration, et les meilleures précisions sont comparées. Cette comparaison itérative de différentes techniques d’augmentation a permis d’obtenir des aperçus significatifs concernant l’efficacité de plusieurs ensembles de données.