数据增广系统的核心用途是通过扩充训练数据集来提升机器学习模型的性能，具体包括以下方面：

提升模型泛化能力

通过模拟真实场景中的各种变化（如旋转、缩放、裁剪等），使模型学习到更鲁棒的特征表示，从而在未见过的数据上表现更好。

缓解数据不足问题

在实际应用中，获取大量标注数据往往困难。数据增广可以在不增加真实样本的情况下，显著扩大训练集规模，降低过拟合风险。

增强模型对噪声和变化的适应性

通过引入噪声、改变光照条件等操作，使模型学会在存在干扰的环境中稳定工作，提升实际应用中的可靠性。

提高分类、检测等任务的准确性

在计算机视觉领域，数据增广技术被广泛应用于图像分类、目标检测等任务，通过多样化的数据增强，可有效提升模型精度。

总结：

数据增广系统通过模拟数据变化和扩充样本量，帮助模型在有限数据下实现更好的泛化与性能表现，是提升深度学习模型实用性的关键技术之一。