在线和离线数据增强是扩展训练数据集的两种方法，主要区别在于应用变换的时间和方式。在线增强在训练过程中动态生成新的数据样本。例如，在图像分类任务中，每个训练批次可能包括原始图像的随机旋转、翻转或裁剪版本。这些变换是实时应用的，这意味着模型在每个 epoch 中都会看到略微改变的数据版本。这种方法节省内存，因为它不需要存储预处理的数据，但它增加了训练期间的计算开销，因为变换是动态计算的。
相比之下，离线增强在训练开始前预处理并保存增强的数据。例如，如果您有 1,000 个原始图像，您可以应用 10 个变换（例如，亮度调整、噪声注入、缩放）来创建 10,000 个预处理的样本。这些样本存储在磁盘上，并在训练期间加载。这种方法减少了运行时计算，但需要大量的存储空间和前期处理时间。它还限制了可变性，因为模型会重复看到相同的增强样本，如果变换不够多样化，可能会导致过拟合。当训练硬件的计算能力有限（例如，边缘设备）或当可重复性至关重要时，通常使用离线增强。
在线和离线之间的选择取决于项目约束。在线增强非常适合需要最大数据多样性而没有存储开销的场景，例如在具有充足计算能力的服务器上训练大型神经网络。TensorFlow 的 tf.image 或 PyTorch 的 torchvision.transforms 等库通过将变换集成到数据加载器中来支持这一点。离线增强适用于资源受限的环境或需要固定增强以保持一致性的小型数据集。Albumentations 等工具或自定义脚本可以预先处理数据。混合方法（应用基本的在线变换（例如，旋转），同时使用预先计算的复杂增强（例如，风格迁移））也可以平衡效率和灵活性。开发人员在决定时应权衡数据集大小、硬件限制和训练目标等因素。