一、课程导论与标注行业全景

大家好，我是这门课的主讲人。在正式开始之前，我想先聊聊一个很基础但很重要的问题——分类、检测、分割到底是什么？

说实话，我刚入行那会儿，也经常把这三个概念搞混。有一次在项目评审会上，我把「语义分割」说成了「实例分割」，被老工程师当场纠正，场面一度很尴尬。从那以后，我就特别注重把基础概念理清楚。

1.1 分类：最简单的任务

分类，说白了就是让计算机回答「这是什么？」。

举个例子：你给模型一张猫的图片，它输出「猫」这个标签。这就是分类。

我习惯把分类比作「选择题」——给定一个输入，从预设的类别里选一个最匹配的。常见的分类任务有：

• 二分类：是/否，比如判断图片里有没有行人
• 多分类：从多个类别中选一个，比如识别手写数字0-9
• 多标签分类：一张图可以同时属于多个类别，比如「蓝天+白云+大海」

1.2 检测：不仅要认出，还要定位

检测比分类多了一步——不仅要回答「这是什么」，还要回答「它在哪里」。

你想想看，自动驾驶的车看到前方有个「人」，但不知道这个人在左边还是右边，那有什么用？所以检测任务会输出一个边界框（Bounding Box），把目标框出来。

我在项目中遇到过最头疼的事，就是小目标的检测标注。比如一张航拍图里，汽车只有十几个像素大，标注员很容易漏标。后来我们规定：只要目标大于5×5像素，就必须标出来。嗯，这个规则虽然粗暴，但确实有效。

1.3 分割：像素级的理解

分割是这三个任务里最精细的。它要求模型对每一个像素进行分类。

我经常跟学员说：分类是「看个大概」，检测是「框个范围」，分割是「抠出轮廓」。

分割又分两种：

• 语义分割：把同一类的东西标成同一种颜色。比如路上有3辆车，它们都标成「车」这个类别
• 实例分割：不仅要标出是车，还要区分「车A」「车B」「车C」。每个实例都有自己的ID

1.4 数据标注在AI产业链中的位置

数据标注到底有多重要？我直接说结论：没有高质量的数据，再牛的算法也是白搭。

你看AI产业链的流程：

1. 数据采集：从各种渠道获取原始数据
2. 数据标注：给原始数据打上标签（就是我们这门课的核心）
3. 模型训练：用标注好的数据训练算法
4. 模型部署：把训练好的模型放到实际场景中使用
5. 反馈迭代：收集新数据，重新标注，再训练

数据标注就是连接「原始数据」和「模型训练」的桥梁。没有这座桥，数据就是一堆没用的数字。

我给大家画了一张图，可以更直观地理解这个流程：

1.5 数据标注的价值

数据标注的价值，我用三个词来概括：质量、规模、效率。

维度	说明	我的经验
质量	标注的准确性和一致性	我见过一个项目，因为标注员把「停车位」和「车道线」搞混，导致模型在停车场里乱开。后来我们引入了「双人标注+交叉验证」机制，错误率从15%降到了2%
规模	数据量要足够大	做检测任务时，我建议每类目标至少要有1000个标注实例。少于这个数，模型很容易过拟合
效率	标注速度要快	用好的标注工具，效率能提升3-5倍。比如用半自动标注，先让模型预标一遍，人工再修正，比纯手动快得多

1.6 避坑指南

最后，分享几个我踩过的坑：

• 坑一：标注规范不统一。我曾经带过一个20人的标注团队，每个人对「遮挡目标」的理解都不一样。有人觉得挡住50%就不标，有人觉得只要能看到一点就标。结果数据集一合并，模型直接懵了。
• 坑二：忽视边缘案例。比如夜间、雨雾、逆光等场景。很多项目只标了「理想情况」的数据，模型一到真实场景就翻车。
• 坑三：标注工具选错。做分割任务用画框的工具，那效率能高吗？工具一定要跟任务匹配。

嗯，这一章的内容就到这里。记住一句话：分类是基础，检测是进阶，分割是精细活。后面的章节，我会带大家一步步实操，从标注工具的使用到质量控制，把每个环节都讲透。

---

公众号:蓝海资料掘金营，微信deep3321