La ampliación de datos se considera una técnica prometedora para resolver el desequilibrio entre objetos grandes y pequeños. Desafortunadamente, la mayoría de los métodos existentes amplían todos los objetos pequeños indiscriminadamente, independientemente de su capacidad de aprendizaje y proporción. Esto tiende a resultar en un aumento desperdiciado para muchos objetos débiles y de baja información, pero en una sub-ampliación para objetos raros y aprendibles. Con este fin, proponemos una ampliación de datos adaptativa guiada por valores para la detección de objetos pequeños desequilibrados en escala y proporción (ValCopy-Paste). Específicamente, primero desarrollamos un criterio de valor de objeto no aprendido para determinar si un objeto debe ser expandido. Tanto la capacidad de aprendizaje basada en la escala como la necesidad basada en la cantidad están involucradas en este criterio. Luego, la distribución de valores de los objetos en el conjunto de datos se puede construir aún más sobre la base de los valores relevantes de los objetos. Esto ayuda a garantizar que aquellos objetos poco comunes y aprendibles que merecen mejora tengan más probabilidades de ser mejorados. Además, proponemos mejorar los datos pegando los objetos muestreados en porciones relativamente suaves de imágenes de fondo frescas, en lugar de áreas arbitrarias de cualquier imagen de fondo. Esto ayuda a aumentar la diversidad de datos mientras se reduce la interferencia de fondos complicados. Evidentemente, nuestro método no requiere un entrenamiento sofisticado y solo depende del tamaño y la distribución de los objetos en el conjunto de datos. Experimentos extensos en MS COCO 2017 y PASCAL VOC 2012 demuestran que nuestro método logra un mejor rendimiento que los métodos de última generación.