数据标注基础：标注类型与质量管控
说到数据标注，我刚开始做自动驾驶时，其实挺不以为然的。总觉得算法才是核心，标注嘛，不就是画框框？后来被现实狠狠教育了一顿——模型效果上不去，查来查去，问题出在标注质量上。嗯，从那以后我再也不敢小看标注了。
标注类型：2D框与3D框
先聊聊最常见的2D框。说白了，就是在图像上画个矩形，把目标框出来。比如行人、车辆、交通标志，每个框带一个类别标签。
2D框标注有几个关键参数：
- 左上角坐标 (x_min, y_min)
- 右下角坐标 (x_max, y_max)
- 类别标签 (car, pedestrian, cyclist...)
- 遮挡程度 (0-1之间的浮点数)
但2D框有个硬伤——它不知道目标的深度信息。你想想看，一辆大卡车和一辆小轿车在图像上可能都是同样大小的框，但实际距离差远了。所以自动驾驶系统更依赖3D框。
3D框标注就复杂多了。除了2D框的信息，还需要：
- 中心点坐标 (x, y, z) 在三维空间中
- 长宽高 (length, width, height)
- 朝向角 (yaw angle)
- 速度 (vx, vy, vz) 如果是追踪任务
我踩过的坑： 3D框的朝向角标注特别容易出错。我曾经有个项目，标注员把车头朝向标反了，结果模型预测的轨迹全是反的。后来我强制要求标注时参考点云数据，才把这个问题解决掉。
语义分割：像素级的理解
语义分割比目标检测更细。它不是画框，而是给每个像素分配一个类别。比如图像里每个像素要么是「道路」，要么是「车辆」，要么是「天空」。
语义分割的标注格式通常是：
# 每个像素对应一个类别ID
# 0: 背景, 1: 道路, 2: 车辆, 3: 行人, 4: 建筑...
# 标注结果是一个二维数组
segmentation_map = [
[0, 0, 0, 0, 0],
[0, 1, 1, 1, 0],
[0, 1, 2, 1, 0],
[0, 0, 1, 0, 0],
[0, 0, 0, 0, 0]
]语义分割的难点在于边界处理。我记得有一次，标注员把路沿和道路的边界标得模模糊糊，模型训练出来在路沿处总是出现锯齿。后来我们加了一条规则：边界处必须用「硬边」标注，不能有渐变。
我的建议： 语义分割标注时，优先保证类别边界的清晰度。宁可牺牲一点内部区域的精度，也要把边界标准。因为自动驾驶系统对边界特别敏感，尤其是车道线和路沿。
追踪标注：跨帧的一致性
追踪标注是给每个目标分配一个唯一的ID，然后在连续帧中保持这个ID不变。比如一辆车从第1帧开到第100帧，它的ID始终是「car_001」。
追踪标注的核心要求：
- ID唯一性：同一场景中不能有重复ID
- ID连续性：目标消失再出现时，ID不能变
- 遮挡处理：目标被遮挡时，ID要保留
追踪标注的格式示例：
{
"frame_id": 1,
"objects": [
{"id": "car_001", "bbox": [100, 200, 150, 250], "class": "car"},
{"id": "ped_002", "bbox": [300, 400, 320, 450], "class": "pedestrian"}
]
}
{
"frame_id": 2,
"objects": [
{"id": "car_001", "bbox": [105, 198, 155, 248], "class": "car"},
{"id": "ped_002", "bbox": [305, 398, 325, 448], "class": "pedestrian"}
]
}追踪标注最头疼的是遮挡场景。我曾经遇到一个案例：一辆车被大卡车完全遮挡了5帧，标注员以为这辆车消失了，重新给了个新ID。结果模型学到的逻辑是「车被挡住就会变成另一辆车」——这显然不对。
注意： 追踪标注时，遮挡帧的ID必须保留。标注工具应该支持「目标消失后自动保留ID」的功能。如果工具不支持，那就需要标注员手动记录。
标注工具的选择
市面上标注工具不少，我简单列几个常用的：
| 工具名称 | 支持类型 | 特点 |
|---|---|---|
| LabelImg | 2D框 | 轻量级，适合小项目 |
| CVAT | 2D框、语义分割、追踪 | 开源，支持多人协作 |
| Supervisely | 2D/3D框、语义分割、追踪 | 功能全面，但收费 |
| Scale AI | 全类型 | 企业级，质量管控强 |
我个人习惯用CVAT。为什么？因为它开源，可以自己部署，而且支持自动标注的插件。你想想看，如果每帧都手动标，1000帧的数据得标到猴年马月去。
质量管控：数据标注的生命线
标注质量怎么管？我总结了几条经验：
- 标注规范文档：每个项目开始前，必须写一份详细的标注规范。比如「车辆框必须包含车轮」、「行人框必须包含头顶和脚底」。
- 预标注测试：让标注员先标100张图，我来审核。通过率低于80%的，重新培训。
- 抽检机制：每天抽检10%的标注结果。发现问题及时反馈，不要等全标完了再返工。
- 一致性检查：同一个场景让两个标注员分别标，对比差异。差异超过5%的，说明规范有问题。
我曾经踩过的坑： 有个项目赶进度，跳过了预标注测试。结果标注员把「摩托车」和「电动车」混为一谈，标了5000张图才发现。返工成本高得吓人。从那以后，预标注测试成了我的铁律。
质量管控的指标也很重要。我常用的几个：
| 指标 | 定义 | 合格标准 |
|---|---|---|
| 标注准确率 | 正确标注的目标数 / 总目标数 | ≥ 95% |
| 漏标率 | 漏标的目标数 / 应标目标数 | ≤ 3% |
| 边界误差 | 标注框与真实框的IoU | ≥ 0.7 |
| ID切换率 | 追踪中ID错误的帧数 / 总帧数 | ≤ 2% |
嗯，数据标注这块内容其实挺多的。但核心就三点：类型要选对、工具要用好、质量要把牢。你想想看，如果标注数据都是错的，再牛的算法也白搭。所以别小看标注，它可是自动驾驶系统的地基。