2. 标注数据基础：常见标注类型、数据格式与质量评估标准

大家好，我是你们这节实战课的老朋友。今天咱们聊聊标注数据的基础。说实话，我见过太多项目，算法模型选得再好，最后却栽在数据上。数据质量不行，后面全是白费功夫。所以，这一节的内容，我建议你认真看，最好能记在心里。

2.1 常见标注类型：分类、检测、分割

标注类型，说白了就是你想让模型“看懂”什么。不同的任务，标注的方式天差地别。我个人习惯把最常见的三种类型称为“三剑客”：分类、检测、分割。

2.1.1 图像分类

这是最基础的任务。给一张图，打上一个标签。比如“这是一只猫”、“这是一只狗”。

• 应用场景：商品识别、场景分类、垃圾邮件过滤。
• 标注形式：给图片分配一个类别ID或文本标签。
• 我的经验：分类看似简单，但最怕“长尾问题”。我在做电商图片分类时，有些品类只有几十张图，模型死活学不会。后来我用了数据增强，才勉强搞定。

2.1.2 目标检测

检测比分类难一点。不仅要认出图里有什么，还要框出它在哪。你想想看，一张街景图里，有行人、汽车、红绿灯，模型得一个个框出来。

• 应用场景：自动驾驶、安防监控、工业质检。
• 标注形式：用矩形框（Bounding Box）框住目标，并标注类别。
• 避坑指南：我曾经犯过一个错，框的边界太紧，把目标的一部分切掉了。后来才知道，框要留一点“呼吸空间”，尤其是目标边缘模糊的时候。

2.1.3 语义分割与实例分割

分割是像素级的标注。语义分割把图中每个像素都归类，比如“所有路面都是路面”。实例分割更细，能区分“第一辆车”和“第二辆车”。

• 应用场景：医学影像分析、遥感图像、自动驾驶的精细感知。
• 标注形式：用多边形或掩码（Mask）勾勒出目标轮廓。
• 我的感受：分割标注最累人，但效果也最好。我记得有一次做卫星图像的道路分割，一个标注员一天只能标5张图，精度要求极高。

2.2 数据格式：JSON、COCO、YOLO

标注完的数据，总得有个地方存。不同的框架和工具，喜欢不同的格式。嗯，这里要注意，格式选错了，后面转换起来会非常痛苦。

2.2.1 JSON 格式

JSON 是一种轻量级的数据交换格式，可读性强。很多自定义标注工具都用它。

{
  "image": "cat.jpg",
  "annotations": [
    {
      "label": "cat",
      "bbox": [100, 150, 200, 250]
    }
  ]
}

• 优点：灵活，可以随意扩展字段。
• 缺点：没有统一标准，不同项目之间转换麻烦。
• 我的建议：小项目或原型验证时用 JSON 很方便。但如果是团队协作，我建议用更标准的格式。

2.2.2 COCO 格式

COCO 是微软推出的数据集格式，现在几乎是目标检测和分割的“通用语言”。

{
  "images": [{"id": 1, "file_name": "cat.jpg", "width": 640, "height": 480}],
  "annotations": [{"id": 1, "image_id": 1, "category_id": 1, "bbox": [100, 150, 200, 250], "segmentation": [...]}],
  "categories": [{"id": 1, "name": "cat"}]
}

• 优点：结构清晰，支持检测、分割、关键点等多种任务。
• 缺点：文件体积大，尤其是分割掩码用多边形存储时。
• 避坑指南：我曾经在转换 COCO 格式时，忘记把图片的宽高信息写对，导致模型训练时所有框都偏移了。这种低级错误，检查三遍都不为过。

2.2.3 YOLO 格式

YOLO 格式是 Darknet 框架用的，现在很多检测模型也支持。它非常简洁，每个目标一行文本。

# 每行: class_id x_center y_center width height (归一化到0-1)
0 0.5 0.5 0.3 0.4
1 0.2 0.3 0.1 0.2

• 优点：文件小，读取快，适合大规模训练。
• 缺点：只支持矩形框，不支持分割。
• 我的经验：YOLO 格式的坐标是归一化的，很多人会忘记除以图片宽高。我刚开始用的时候也犯过这个错，训练出来的模型完全没法用。

2.3 数据质量评估标准

数据标完了，怎么知道好不好？不能光看数量，质量才是王道。我总结了几条硬标准。

2.3.1 准确性

标注的标签和真实情况是否一致。比如明明是“猫”，标成了“狗”，这就是严重错误。

• 评估方法：随机抽样，人工复核。
• 我的标准：分类任务准确率应 > 99%，检测任务 > 98%。

2.3.2 完整性

所有目标是否都被标注了。漏标一个，模型就学不到那个特征。

• 评估方法：用漏标率指标，或者让两个标注员独立标注同一批数据，对比差异。
• 避坑指南：我曾经遇到过一个项目，标注员漏掉了图片角落里的行人，结果模型在测试时对角落的行人完全无感。这种问题，靠抽检很难发现，最好用自动化工具辅助检查。

2.3.3 一致性

不同标注员，或者同一个标注员在不同时间，标注的标准是否统一。

• 评估方法：计算标注员之间的 IoU（交并比）或 Cohen's Kappa 系数。
• 我的建议：一致性比准确性更难保证。我一般会定期做“一致性测试”，让所有标注员标同一张图，然后看差异。

2.3.4 边界清晰度

对于检测和分割任务，边界是否贴合目标轮廓。

• 评估方法：计算标注框与真实边界的平均距离。
• 我的经验：边界模糊是分割任务的大敌。我见过一个项目，标注员为了省事，用矩形框代替多边形，结果模型精度直接掉了5个点。

2.4 知识体系结构图

为了让你更直观地理解这一章的内容，我画了一张图。它把标注类型、数据格式和质量标准串在了一起。你看看，是不是一目了然？

这张图把本章的核心内容都串起来了。你想想看，标注类型决定了你要标什么，数据格式决定了你怎么存，质量评估决定了你标得好不好。三者缺一不可。