01
课程导论：AI自动标注的背景与痛点
效率提升的核心思路 · 课程整体框架与学习路径
背景框架
02
标注数据基础
常见标注类型（分类、检测、分割）· 数据格式（JSON、COCO、YOLO）· 质量评估
格式标准
03
自动标注技术概览
基于规则的方法 · 基于模型的方法 · 半自动与全自动标注的区别
方法论对比
04
预标注策略
利用现有模型进行初步标注 · 模型选择与部署 · 预标注结果校验流程
预标注校验
05
主动学习入门
核心思想 · 查询策略（不确定性采样、多样性采样）· 在标注流程中的位置
主动学习策略
06
主动学习实战
Python实现主动学习循环 · 模型训练与样本选择 · 效果评估
Python实战
07
弱监督学习
三种形式（不完全、不确切、不精确）· Snorkel框架 · 规则编写与噪声处理
弱监督Snorkel
08
半监督学习
自训练 (Self-training) · 协同训练 (Co-training) · 一致性正则化
半监督正则化
09
数据增强技术
基础增强（翻转、旋转、裁剪）· 高级增强（MixUp、CutMix、RandAugment）
增强MixUp
10
伪标签技术
伪标签生成原理 · 置信度阈值设定 · 迭代式伪标签优化
伪标签阈值
11
模型蒸馏
教师-学生模型架构 · 知识蒸馏损失函数 · 在标注效率提升中的角色
蒸馏效率
12
标注工具链搭建
开源工具介绍 (Label Studio, CVAT, SuperAnnotate) · API集成与自动化脚本
工具链API
13
Label Studio实战
安装配置 · 自定义标注模板 · 导入预标注结果 · 自动化流水线配置
Label Studio流水线
14
CVAT实战
Docker部署 · 任务创建与管理 · 自动标注插件使用 · 数据导出
CVATDocker
15
自动化流水线设计
数据入库→预标注→人工校验→模型更新→迭代标注 完整闭环
闭环迭代
16
Python脚本自动化
文件批量处理 · 格式转换脚本 · 标注结果统计分析脚本
脚本自动化
17
多模态标注
图像+文本标注 · 视频标注关键帧策略 · 3D点云标注基础
多模态点云
18
大模型辅助标注
GPT-4V等视觉语言模型应用 · Prompt设计技巧 · 结果解析与过滤
大模型Prompt
19
质量保证体系
标注一致性检查 · 交叉验证 · 异常检测与回滚机制
质量回滚
20
效率度量指标
标注速度（样本/小时）· 人工干预率 · 模型准确率提升曲线 · ROI计算
指标ROI
21
标注团队管理
任务分配策略 · 进度监控看板 · 反馈闭环与持续改进
管理看板
22
领域适应
源域与目标域差异 · 无监督域适应方法 · 在标注迁移中的应用
域适应迁移
23
小样本学习
Few-shot标注策略 · 原型网络 · 度量学习在快速标注中的使用
小样本原型网络
24
异常检测在标注中
自动识别低质量/异常样本 · 基于重构误差的筛选 · 主动上报机制
异常检测筛选
25
标注数据版本管理
DVC（数据版本控制）使用 · 数据血缘追踪 · 回滚与对比
DVC版本
26
边缘计算标注
端侧设备轻量级自动标注 · 模型压缩与部署 · 离线流水线
边缘离线
27
联邦学习与隐私标注
数据不出本地的标注方案 · 差分隐私保护 · 联合模型训练
联邦隐私
28
行业案例1-自动驾驶
车道线标注 · 3D目标检测标注 · 点云自动标注方案
自动驾驶点云
29
行业案例2-医疗影像
病灶分割标注 · 报告生成辅助标注 · 多模态融合标注
医疗影像
30
课程总结与未来展望
技术趋势 (Foundation Model, AutoML) · 持续学习路径 · 社区与资源推荐
总结趋势