一、数据标注基础：什么是数据标注、标注类型（分类/检测/分割）、标注工具概览
说实话，很多人一听到「数据标注」四个字，第一反应就是「哦，就是给图片打标签嘛」。嗯，这话对了一半。我刚开始接触这个领域时，也以为标注就是点鼠标的体力活。直到有一次，我负责的项目因为标注质量不过关，模型训练出来直接翻车——识别率连50%都不到。那才明白，数据标注其实是AI的「地基工程」。
说白了，数据标注就是把原始数据（图片、文本、语音等）变成机器能理解的「标准答案」。你想想看，模型学习就像教小孩认字——你得先告诉他「这是苹果」，他才能记住。标注就是干这个的。
1.1 标注类型：分类、检测、分割
我习惯把标注类型分成三大类，每一类解决不同的问题。咱们一个一个说。
分类（Classification）
最简单的标注形式。给一张图，问「这是什么？」。比如猫狗分类，你只需要告诉模型「这张图是猫」或「这张图是狗」。我在做电商图片审核时，就经常用分类标注来识别违规商品——嗯，一张图一个标签，干净利落。
检测（Detection）
比分类多了一步。不仅要认出「有什么」，还要知道「在哪里」。用矩形框把目标框出来。我记得有一次做自动驾驶项目，需要标注路上的行人、车辆、交通标志。一个画面里可能有几十个框，密密麻麻的。检测标注的难点在于——目标重叠怎么办？小目标怎么标？
分割（Segmentation）
这是最精细的标注方式。分为语义分割和实例分割两种。
- 语义分割： 把图中每个像素都归类。比如天空归一类、道路归一类、行人归一类。像素级标注，精度要求极高。
- 实例分割： 在语义分割的基础上，区分不同个体。比如路上有三个人，每个人单独一个掩码。
分割标注我做得不多，但有一次做医学影像项目，需要标注CT图像中的肿瘤区域。那真是像素级的工作，一个像素标错，模型就可能漏掉病灶。说实话，做分割标注真的很考验耐心。
1.2 标注工具概览
工具选得好，效率翻倍。我这些年用过不下十款标注工具，挑几个有代表性的说说。
| 工具名称 | 支持类型 | 适用场景 | 我的评价 |
|---|---|---|---|
| LabelImg | 检测（矩形框） | 小团队、快速标注 | 轻量好用，但功能单一 |
| Labelme | 分割（多边形） | 语义/实例分割 | 开源免费，多边形标注顺手 |
| CVAT | 分类/检测/分割 | 中大型项目 | 功能全面，支持多人协作 |
| Supervisely | 全类型 | 企业级项目 | 自动化辅助标注，效率高 |
我个人习惯是：小项目用LabelImg，快速出活；大项目用CVAT，方便管理团队。有一次我接了个10万张图的检测项目，用LabelImg标了三天就放弃了——太慢了。换成CVAT后，配合自动标注功能，效率提升了至少3倍。
1.3 知识体系总览
下面这张图，是我自己梳理的数据标注知识体系。你可以把它当作整个章节的「地图」。
你看，数据标注不是孤立的工作。类型决定了你怎么标，工具决定了效率，质量决定了模型效果。我曾经见过一个团队，工具选得特别好，但标注规范没定好，结果数据一致性差得一塌糊涂——模型训练出来，连验证集都过不了。所以这三块，哪块都不能偏废。
好了，这一章就聊到这儿。下一章咱们会深入聊聊标注数据的格式——JSON、XML、COCO、YOLO这些格式到底怎么用，什么时候该选哪个。嗯，到时候见。