2、打标方式分类总览：手动标注、半自动标注、自动标注、主动学习、弱监督学习、众包标注

好，咱们进入正题。打标方式这事儿，说白了就是「怎么给数据贴标签」。我刚入行那会儿，以为标注就是找一群人坐在电脑前点点点。后来踩的坑多了才发现——不同的场景、不同的数据量、不同的预算，打法完全不一样。

这一章，我把主流的六种打标方式给你捋一遍。每种方式的核心逻辑、适用场景、还有我个人的避坑经验，都会聊到。

2.1 六种打标方式全景图

先看一张总览图，把这六种方式的关系理清楚。我习惯把它们分成三个阵营：

• 纯人工阵营：手动标注、众包标注——全靠人肉点
• 人机协作阵营：半自动标注、主动学习——人和机器打配合
• 纯机器阵营：自动标注、弱监督学习——机器自己干，人只负责定规则

2.2 手动标注

最原始，也最可靠。一个人、一台电脑、一个标注工具，对着数据一条条标。图像分类、目标检测的框框、文本的情感标签，都是这么来的。

优点：质量最高，可以处理各种边界情况。

缺点：慢、贵、累。标一万张图，一个人干一个月，眼睛都花了。

2.3 半自动标注

机器先标一遍，人再检查修正。说白了就是「机器打草稿，人做终审」。

举个例子：你要标1000张街景图中的汽车。先用一个预训练的目标检测模型跑一遍，把框画好。然后标注员只需要看这些框对不对，不对的拖一拖、改一改。效率能提升3-5倍。

适用场景：数据量大、但标注精度要求高的项目。比如自动驾驶的语义分割，一张图几千个像素级标签，全手动标会疯掉。

2.4 自动标注

完全交给机器。用规则、算法或者已有的模型，自动给数据打标签。

我见过最典型的例子：用OCR模型自动给扫描文档打文字标签，或者用语音识别模型给音频文件自动生成转录文本。

但要注意：自动标注的质量取决于模型本身。如果模型在某个场景下表现不好，那标出来的数据就是垃圾。你想想看，用错的标签训模型，结果会怎样？

2.5 主动学习

这个有点意思。它不是一次性标完所有数据，而是让模型自己挑「最拿不准」的样本，交给人工标注。

流程是这样的：

1. 用少量标注数据训练一个初始模型
2. 模型对未标注数据做预测，同时给出「置信度」
3. 挑出置信度最低（模型最不确定）的样本
4. 人工标注这些样本，加入训练集
5. 重新训练模型，重复步骤2-4

这样做的好处是——用最少的人工标注量，达到最好的模型效果。我记得有个NLP项目，用主动学习只标了20%的数据，就达到了全量标注95%的效果。

2.6 弱监督学习

这个和自动标注有点像，但思路不同。弱监督不是用模型标，而是用「规则」和「启发式方法」生成标签。

举个例子：你要标一批商品评论是正面还是负面。可以写几条规则：

• 出现「太棒了」「非常好」→ 正面
• 出现「垃圾」「差评」→ 负面
• 同时出现正面和负面词 → 不确定，丢弃

然后把这些规则生成的标签拿去训练模型。虽然单个规则可能不准，但多个规则组合起来，效果往往还不错。

核心工具：Snorkel、Skweak 这些框架就是干这个的。

2.7 众包标注

把标注任务分发给大量互联网用户，每人标一点点，集众人之力完成。Amazon Mechanical Turk、国内的京东众智、百度众测，都是这类平台。

优点：快、便宜、可以并行处理海量数据。

缺点：质量参差不齐。你永远不知道屏幕那头的人是在认真标，还是在瞎点。

怎么解决？我一般用三招：

• 黄金测试题：混入已知答案的样本，答错太多直接踢掉
• 多人投票：同一个样本让3-5个人标，取多数结果
• 质量抽检：随机抽10%的样本，人工复核

2.8 六种方式速查表

最后，给你一张表。做项目选型时，直接对着看就行。