Los métodos de aumento de datos enriquecen conjuntos de datos con datos aumentados para mejorar el rendimiento de las redes neuronales. Recientemente, han surgido métodos automatizados de aumento de datos que diseñan estrategias de aumento automáticamente. El trabajo existente se centra en la clasificación de imágenes y la detección de objetos, mientras que nosotros proporcionamos el primer estudio sobre la segmentación semántica de imágenes e introducimos dos nuevos enfoques: SmartAugment y SmartSamplingAugment. SmartAugment utiliza Optimización Bayesiana para buscar un amplio espacio de estrategias de aumento y logra un nuevo rendimiento de vanguardia en todas las tareas de segmentación semántica que consideramos. SmartSamplingAugment, un enfoque simple sin parámetros con una estrategia de aumento fija, compite en rendimiento con los enfoques existentes intensivos en recursos y supera a los métodos de aumento de datos económicos de vanguardia. Además, analizamos el impacto, la interacción y la importancia de los hiperparámetros de aumento de datos y realizamos estudios de ablación, que confirman nuestras elecciones de diseño detrás de SmartAugment y SmartSamplingAugment. Por último, proporcionaremos nuestro código fuente para la reproducibilidad y para facilitar investigaciones futuras.