一、分类错误：最基础也最头疼的问题
分类错误，说白了就是把A类标成了B类。
比如一张猫的图片，你标成了狗。这在图像分类、文本分类、语音识别里都常见。我刚开始做标注时，觉得这太简单了，怎么可能错？结果被打脸了——有一次项目验收，光分类错误就占了总问题的40%。
为什么会频繁出现分类错误？
- 类别定义模糊：比如“中性情绪”和“轻微负面”，边界在哪？
- 标注员疲劳：连续标了3小时后，眼睛花了，手也快了
- 样本本身难辨：有些图片就是模糊，有些文本就是模棱两可
我个人的经验是：分类错误往往不是标注员不认真，而是标准没讲透。你想想看，如果连你自己都说不清“中性”和“轻微负面”的区别，怎么能指望标注员标对？
如何纠错？
我建议从两个维度入手：
- 标准细化：把每个类别的典型特征列出来，配上正例和反例
- 交叉验证：同一批数据，让两个人标，不一致的拿出来讨论
避坑指南：我曾经遇到一个项目，标注员把“轿车”和“SUV”搞混了。后来发现，问题出在培训时只给了文字描述，没给图片示例。加了示例后，错误率直接降了60%。
二、漏标：看不见的“隐形杀手”
漏标，就是该标的没标。
比如一张街景图里有5辆车，你只标了4辆。这在目标检测、语义分割里特别常见。漏标比错标更隐蔽，因为你不容易发现“少了什么”。
漏标的典型场景
| 场景 | 原因 | 占比（我统计过的） |
|---|---|---|
| 小目标 | 物体太小，容易被忽略 | 45% |
| 遮挡严重 | 部分被挡住，以为不存在 | 30% |
| 边缘区域 | 物体在图片边缘，注意力没到 | 15% |
| 密集场景 | 物体太多，数漏了 | 10% |
嗯，这里要注意：小目标漏标是最多的。我记得有个自动驾驶项目，路边的锥桶只有几十个像素大，标注员经常漏掉。后来我们专门加了一个“小目标检查”环节，才把漏标率压下来。
纠错方法
- 分区域检查：把图片分成左上、右上、左下、右下四个区，逐个检查
- 反向验证：先看标注结果，再对照原图，问自己“还有没有漏的？”
- 工具辅助：用一些自动检测工具先跑一遍，人工再核对
注意：漏标对模型的影响很大。模型会学到“这个物体不存在”，推理时就会忽略它。所以漏标比错标更致命。
三、多标：好心办坏事
多标，就是不该标的标了。
比如一张图里只有3个人，你标了4个。多标的原因通常是：把背景误认为目标，或者把同一个物体标了两次。
多标的常见原因
- 背景干扰：背景里的纹理、阴影被误认为目标
- 重复标注：同一个物体，不同标注员各标了一次
- 标准理解偏差：比如“标出所有车辆”，有人把自行车也算进去了
我遇到过最离谱的一次：一个标注员把路牌上的广告人物也标成了“行人”。你说这算不算多标？严格来说算，因为标准里明确写了“只标真实行人”。
如何避免多标？
- 明确排除项：在标准里写清楚“哪些情况不标”
- 去重机制：多人标注时，用工具自动检测重叠框
- 抽样复核：随机抽10%的数据，专门检查有没有多标
小技巧：我习惯在标注工具里设置“最小置信度阈值”。低于这个阈值的框，自动标红，提醒标注员二次确认。
四、边界框偏移：差之毫厘，谬以千里
边界框偏移，就是框的位置不对。
比如一辆车，你框的左边多了5个像素，右边少了3个像素。这在目标检测里很常见，尤其是物体形状不规则的时候。
偏移的几种类型
| 类型 | 表现 | 影响程度 |
|---|---|---|
| 整体偏移 | 框整体往一个方向偏 | 中 |
| 尺寸偏差 | 框太大或太小 | 高 |
| 角度偏差 | 旋转框的角度不对 | 高 |
你想想看，如果框偏移了，模型学到的特征就不准。比如框偏左了，模型会以为“目标的左边应该有一片空白”，推理时就会出错。
纠错方法
- 对齐检查：看框的边缘是否紧贴目标轮廓
- 比例验证：框的长宽比是否合理？比如人的框不应该是正方形
- 一致性检查：同类物体的框大小是否接近？如果差别很大，可能有问题
我个人的习惯是：在审核时，把图片放大到200%，然后逐框检查。虽然慢，但效果很好。尤其是小物体，放大后偏移一目了然。
知识体系总览
下面这张图，是我自己整理的本章知识结构。你可以把它当成一个“检查清单”，每次审核时对照着看。
好了，以上就是本章的全部内容。四种错误类型，各有各的特点，也各有各的解法。做质量审核，说白了就是跟这些错误斗智斗勇。你掌握得越多，踩的坑就越少。
一句话总结：分类错误看标准，漏标多标看细节，边界框偏移看对齐。把这三点记住了，审核质量至少提升一个档次。