一、课程导论与数据标注基础

大家好，我是你们这门课的主讲。做AI模型训练有些年头了，踩过的坑比走过的路还多。今天咱们聊一个特别基础、但又特别容易被忽视的话题——数据标注。

说白了，数据标注就是给原始数据打标签。你想想看，模型再聪明，它也得先知道“这是什么”才能学。我刚开始带团队的时候，总觉得标注嘛，找几个人画画框就行了。结果呢？模型精度死活上不去，后来一查，标注质量一塌糊涂。嗯，从那以后我再也不敢小看这步了。

1.1 智能标注的定义

智能标注，不是指“用AI自动标注”这么简单。它其实是一个闭环：

• 人工标注：人眼识别，鼠标框选，最传统的方式
• 半自动标注：模型先预标，人工修正。我常用的套路
• 主动学习：模型挑出它最不确定的样本，让人来标。效率翻倍
• 全自动标注：完全靠模型，但风险高，我一般只用在验证集

我个人习惯把智能标注理解成“人机协作的标注流水线”。机器干粗活，人做质检。这样既快又准。

1.2 数据标注行业现状

这个行业现在有多火？我给你们看组数据：

年份	市场规模（亿元）	主要玩家
2020	36	百度、海天瑞声
2022	68	头部平台+众包
2024（预估）	120+	AI公司自建标注团队

为什么会增长这么快？说白了，大模型时代，数据就是石油。但石油得炼过才能用，标注就是炼油的过程。

我在项目中遇到过最头疼的事：外包标注团队为了赶工期，瞎标一气。最后我们花了三倍时间返工。所以现在我的团队，标注流程必须自己把控。

1.3 标注类型：分类/检测/分割

这三种是最常见的，我一个个说。

1.3.1 分类标注

最简单，也最基础。给一张图，问“这是猫还是狗？”

• 二分类：是/否，有/无
• 多分类：猫、狗、鸟、鱼...
• 多标签：一张图里既有猫又有狗

避坑指南：我曾经犯过一个错——类别定义模糊。比如“人”和“行人”算不算一类？后来统一成“person”，才解决。

1.3.2 检测标注

不光要知道“有什么”，还得知道“在哪”。用矩形框把目标框出来。

• 水平框：最常见，旋转不变性差
• 旋转框：适合文字、车辆等有方向性的目标
• 关键点检测：人脸关键点、人体骨骼点

我建议新手先从水平框练起。别一上来就搞旋转框，标注规范能把人逼疯。

1.3.3 分割标注

像素级标注，最精细，也最贵。

• 语义分割：把每个像素归到某个类别（比如路、车、人）
• 实例分割：同一类别的不同个体要分开（比如车1、车2）
• 全景分割：语义+实例的结合

嗯，这里要注意：分割标注的工时是检测的10倍以上。所以除非你的任务对边缘精度要求极高，否则别轻易上分割。

1.4 标注质量评估指标

标完了，怎么知道标得好不好？不能光靠感觉。我一般用这几个指标：

指标	含义	我的阈值
准确率	标注正确的样本数 / 总样本数	≥ 98%
召回率	被正确标注的目标数 / 实际目标总数	≥ 95%
IoU	预测框与真实框的交并比	≥ 0.7
一致性	不同标注员对同一张图的标注差异	≥ 90%

这里我重点说说一致性。你想想看，如果两个人标同一张图，一个框大一个框小，模型学谁的？所以我会定期做一致性测试——随机抽10%的数据，让两个人独立标注，然后算差异。

知识体系总览

下面这张图，是我自己梳理的本章知识结构。你可以把它当成一张地图，随时回来对照。

好了，这一章的内容就到这。记住一句话：数据标注的质量，直接决定了模型的天花板。别在标注上省钱，否则后面会花更多的钱填坑。