Minden gépi tanuló modell esetében az adatmennyiség egy kritikus tényező és sok esetben a legnagyobb problémát az adathiány okozza. Ezek az elégtelen adathalmazok olyan modelleket szülnek, amik hajlamosak a túlillesztésre, ennek a kiküszöbölésére egy lehetséges megoldást jelent az adatok mesterséges dúsítása, amit augmentációnak nevezünk. Kutatómunkánkban a mozaik, és annak egy általunk javasolt módosított változata hatékonyságát hasonlítottuk össze a széles körben használt YOLOv5 objektumdetektáló modell segítségével. A módosított mozaik augmentáció lényege, hogy a négy képet, ami majd a generált képet adja, az összeillesztés előtt eltérő módon módosítjuk, transzformáljuk. A betanított modell hatékonyságának mérése során az általánosan elfogadott mAP (mean Average Precision) metrikát használtuk, amely az osztályonkénti detektálás pontosságának átlagát méri. A célunk az volt, hogy feltérképezzük, milyen mértékben javította a hagyományos és a módosított mozaik augmentációs technikák a YOLOv5 teljesítményét különböző adathalmazokon.