📚 课程目录第4章数据集准备与标注

4. 数据集准备与标注

做工业缺陷检测，模型选得再好，算法调得再花哨，最后卡住的往往是一个最基础的问题——数据。我见过太多项目，算法工程师花三个月调模型，最后发现数据集本身就有问题，标注错了一半，或者样本量根本不够。说白了，数据是深度学习的“粮草”，粮草不行，仗就没法打。

这一章，我就结合自己踩过的坑，聊聊工业缺陷数据集的特点、标注工具怎么选、以及那些能让你数据量翻倍的数据增强策略。

4.1 工业缺陷数据集的特点

工业场景的数据集，跟网上那些公开数据集（比如 COCO、ImageNet）完全不是一回事。你想想看，工厂产线上拍出来的图片，环境是固定的，光照是固定的，连缺陷的位置都往往集中在几个区域。我刚开始做这个方向时，拿公开数据集训练的模型，一到现场就崩，后来才明白——工业数据有自己的“脾气”。

特点	说明	对项目的影响
样本极度不均衡	良品占 99% 以上，缺陷样本可能只有几十张	模型容易“偷懒”，全部预测为良品
缺陷种类多、形态差异大	划痕、脏污、气泡、缺角……每种缺陷长不一样	需要为每种缺陷单独收集样本
背景高度重复	同一产线拍出来的图，背景几乎一模一样	模型容易过拟合到背景，而不是缺陷本身
标注成本极高	需要专业人员标注，一张图可能标半小时	必须精打细算，不能浪费任何一张标注
数据隐私与合规	工厂数据不能外传，标注只能在内部进行	标注工具必须支持本地部署

核心结论：工业缺陷检测的数据集，不是“越多越好”，而是“越精越好”。一张高质量、覆盖关键形态的缺陷图，比一百张重复的图更有价值。

4.2 标注工具：LabelImg 与 CVAT

标注工具的选择，直接影响项目进度。我个人习惯是：小项目用 LabelImg，大项目或者团队协作用 CVAT。为什么？下面细说。

4.2.1 LabelImg：轻量级首选

LabelImg 是纯 Python 写的，基于 Qt 界面，安装简单，开箱即用。我最早做 PCB 缺陷检测时，就是拿它标的。

优点：轻量、免费、支持 Pascal VOC 和 YOLO 格式
缺点：单机版，不支持多人协作；没有自动标注功能
适用场景：个人项目、小样本（几百张以内）

安装也很简单：

# 安装 LabelImg
pip install labelImg

# 启动
labelImg

启动后，界面很直观。左边是图片列表，中间是标注区域，右边是标签列表。快捷键记熟几个就行：W 画框，A/D 切换图片，Ctrl+S 保存。

我的习惯：标注前先建一个 classes.txt 文件，把缺陷类别写进去，比如 scratch、dent、stain。这样标注时直接选，不用每次手动输入，效率能提升 30%。

4.2.2 CVAT：团队协作利器

CVAT（Computer Vision Annotation Tool）是 Intel 开源的在线标注平台。我去年做一个汽车零部件项目，团队 5 个人同时标注，用 CVAT 管理起来非常方便。

优点：支持多人协作、自动标注（基于预训练模型）、支持视频标注
缺点：部署稍复杂（需要 Docker）、资源占用高
适用场景：团队项目、大规模标注（几千张以上）

部署命令：

# 使用 Docker 部署 CVAT
docker compose up -d

部署完成后，浏览器打开 http://localhost:8080，注册账号就能用了。CVAT 支持的任务类型很多，包括目标检测（矩形框）、语义分割（多边形）、关键点等。

注意：CVAT 默认使用 PostgreSQL 存储数据，如果标注量很大（比如超过 10 万张），建议提前调大数据库连接池，否则并发标注时会卡死。我曾经因为这个原因，让团队停工了半天。

4.2.3 两种工具对比

维度	LabelImg	CVAT
部署方式	pip 安装，单机运行	Docker 部署，Web 访问
多人协作	不支持	支持，有任务分配和审核
自动标注	不支持	支持（集成 OpenVINO 模型）
输出格式	VOC XML、YOLO TXT	COCO JSON、VOC XML、YOLO、Mask 等
适合规模	< 1000 张	> 1000 张，或团队协作

4.3 数据增强策略：让有限的数据发挥最大价值

工业缺陷样本往往很少，几十张甚至几张。这时候，数据增强就是“无中生有”的关键手段。但要注意——不是所有增强都适合工业场景。

4.3.1 基础增强：几何与颜色变换

这些是最常用的，也是我每次必用的：

随机翻转：水平翻转、垂直翻转。注意：有些缺陷有方向性（比如划痕），垂直翻转可能改变缺陷语义，要慎用。
随机旋转：±15° 以内。旋转太大，缺陷形态会失真。
亮度/对比度调整：模拟产线上光照变化。我一般把亮度范围设在 0.8~1.2 之间。
高斯噪声：模拟传感器噪声。噪声强度不要太大，否则模型会学到“去噪”而不是“检测缺陷”。

4.3.2 Mosaic 增强：把四张图拼成一张

Mosaic 是 YOLOv4 里提出来的，后来成了目标检测的标配。它的做法很简单：随机取四张图，缩放后拼成一张大图。

这样做的好处有三个：

增加小目标检测能力：四张图拼在一起，每张图里的目标相对变小了，模型被迫去学习小目标的特征。
丰富背景多样性：一张图里同时出现四种背景，模型不容易过拟合到单一背景。
变相增加 batch size：相当于一次训练看到了四张图的信息。

代码实现（简化版）：

import cv2
import numpy as np

def mosaic_augment(images, labels, img_size=640):
    # images: 4张图片的列表
    # labels: 对应的标注列表
    # 返回拼接后的图片和标注
    
    # 随机选择中心点
    cx, cy = np.random.randint(img_size//4, 3*img_size//4, 2)
    
    # 创建画布
    canvas = np.zeros((img_size, img_size, 3), dtype=np.uint8)
    
    # 将4张图分别放到4个象限
    positions = [(0, 0), (img_size//2, 0), (0, img_size//2), (img_size//2, img_size//2)]
    
    for i, (img, pos) in enumerate(zip(images, positions)):
        h, w = img.shape[:2]
        # 缩放图片
        scale = min(img_size//2 / w, img_size//2 / h)
        new_w, new_h = int(w * scale), int(h * scale)
        img_resized = cv2.resize(img, (new_w, new_h))
        
        # 放置到画布
        x_offset, y_offset = pos
        canvas[y_offset:y_offset+new_h, x_offset:x_offset+new_w] = img_resized
        
        # 调整标注坐标（略）
    
    return canvas, new_labels

避坑指南：Mosaic 增强后，标注框的坐标需要重新计算。如果原图里的目标被切到了边界，要判断是否保留该目标。我一般设定一个阈值——如果目标在拼接后面积小于原来的 30%，就丢弃这个标注。

4.3.3 MixUp 增强：两张图混合

MixUp 最早是图像分类里用的，后来被引入目标检测。它的原理很简单：把两张图按一定比例混合，标签也按同样比例混合。

公式：

new_image = lambda * image1 + (1 - lambda) * image2
new_label = lambda * label1 + (1 - lambda) * label2

其中 lambda 从 Beta 分布中采样，通常取 α=0.2。

MixUp 的好处是让模型学会“软标签”——不是非黑即白地判断有没有缺陷，而是学会概率化的判断。这在缺陷样本极少的情况下特别有用。

我的经验：MixUp 在缺陷检测中不要用得太猛。我试过把 MixUp 概率设为 0.5，结果模型训练出来，对真实缺陷的置信度普遍偏低。后来我把概率降到 0.2，效果就好多了。说白了，MixUp 是“调味料”，不是“主菜”。

4.4 本章知识结构图

下面这张图，把本章的核心知识点串起来了：

4.5 本章小结

数据集准备是工业缺陷检测项目中最“苦”的活，但也是回报最高的活。我见过太多项目，模型结构改来改去，精度就是上不去，最后发现是标注数据里有一半的框画偏了。所以，别急着调模型，先把数据搞扎实。

工业数据集的特点是样本少、不均衡、背景重复——针对这些特点设计策略
小项目用 LabelImg，大项目用 CVAT——工具选对，事半功倍
Mosaic 和 MixUp 是数据增强的“核武器”，但要用对剂量