📚 课程目录第4章标注工具与平台

4. 标注工具与平台

在2D与3D感知数据标注质检工程中，标注工具与平台是数据从“原始采集”走向“可训练资产”的关键生产载体。工具决定单点标注效率与精度上限，平台决定多人协作、任务流转、质量追溯与数据闭环能力。理解主流工具的功能边界、操作流程、导入导出规范与协作机制，是质检工程师建立可复现、可审计标注流水线的前提。

一、核心原理：工具与平台的分层职责

标注工具与平台通常分为三层：标注层负责2D框、多边形、关键点、3D立方体、点云分割等几何操作；管理层负责任务分发、人员权限、进度统计、版本控制；质检层负责规则校验、交叉复核、返修闭环与指标看板。三者通过统一的数据格式与任务状态机耦合，形成“导入—标注—质检—导出—回流”的闭环。

2D工具的核心是图像坐标系下的几何绘制与属性绑定，常见对象包括矩形框、多边形、折线、关键点与掩码。3D工具则需处理相机图像、激光点云、雷达点云、多传感器融合视图，标注对象为3D边界框、朝向角、速度、跟踪ID与语义类别。质检关注点从“框是否贴合”扩展到“3D框是否与点云吻合、投影到图像是否一致、时序跟踪是否连续”。

二、方法流程：从数据导入到结果导出的标准操作链

主流标注平台的操作流程可归纳为六步：数据导入、任务配置、标注执行、质检复核、返修闭环、结果导出。每一步都需与质检规则绑定，避免“先标后查”造成大规模返工。

数据导入：上传图像、点云、标定文件与预标注结果。需校验文件完整性、时间戳对齐、传感器外参一致性。常见格式包括COCO JSON、KITTI txt、PCD、BIN、XML等。
任务配置：定义标注类型、类别体系、属性字段、快捷键、质检规则与抽检比例。例如3D框需配置长宽高范围、朝向角精度、是否要求速度与跟踪ID。
标注执行：标注员在2D/3D视图中绘制对象，填写属性。3D标注常采用“点云主视图+图像辅助视图”双屏操作，先定中心点，再调尺寸与朝向。
质检复核：审核员按规则检查框贴合度、类别、遮挡、截断、属性完整性。3D还需检查投影到图像是否与目标对齐、时序ID是否跳变。
返修闭环：质检不通过的任务退回标注员，记录返修原因与次数，形成人员质量画像。
结果导出：按训练框架要求导出标注文件、质检报告与版本快照，确保可追溯。

典型导入导出配置示例：

{
  "dataset": "urban_3d_lidar_v2",
  "import": {
    "image_dir": "/data/camera/front",
    "pointcloud_dir": "/data/lidar/top",
    "calib_file": "/data/calib/front_top.yaml",
    "pre_label": "/data/prelabel/kitti_format"
  },
  "export": {
    "format": "kitti",
    "include_attributes": ["occlusion", "truncation", "track_id", "velocity"],
    "qc_report": true,
    "version_tag": "v2.3.1"
  }
}

三、案例/场景：2D与3D工具在真实项目中的协作

以城市道路感知数据集为例，2D标注工具负责图像中的车辆、行人、交通标志框选与属性填写；3D标注工具负责激光点云中的3D边界框、朝向角与跟踪ID。平台将同一帧的图像与点云绑定为任务包，标注员在双屏界面中同步操作。质检员先检查2D框是否贴合，再检查3D框投影到图像是否一致，最后检查连续帧跟踪ID是否稳定。

常见工具包括：LabelImg、CVAT、Labelme、Supervisely、Scale AI、Basic AI、SUSTechPOINTS、xtreme1等。2D工具侧重图像交互与快捷键效率，3D工具侧重点云渲染性能、多视图联动与标定投影。平台侧则关注任务并发、权限隔离、数据安全与API集成。

维度	2D标注工具	3D标注工具	平台协作机制
核心对象	矩形框、多边形、关键点、掩码	3D框、点云分割、朝向角、速度	任务包、角色、状态机
导入格式	JPG/PNG + COCO/VOC JSON	PCD/BIN + KITTI/自定义JSON	批量导入、预标注、标定文件
导出格式	COCO、VOC、YOLO txt	KITTI、OpenPCDet、自定义Schema	版本快照、质检报告、API导出
质检重点	框贴合、类别、遮挡、截断	点云吻合、投影一致、跟踪连续	抽检比例、返修率、人员画像
协作方式	单人标注 + 交叉复核	多视图协同 + 时序审核	任务分发、权限、进度看板

四、误区与复盘：工具选型与协作中的常见问题

误区一：只关注标注速度，忽视导出格式与训练框架的兼容性。标注结果若无法直接进入训练流水线，后期转换成本极高。应在任务配置阶段锁定导出Schema，并做小批量验证。

误区二：3D标注忽略标定文件版本。相机与激光外参变化会导致投影错位，质检时必须核对标定版本与采集时间戳。

误区三：协作平台缺少版本控制。多人同时修改同一任务包易造成覆盖。应启用任务锁、版本快照与操作日志。

误区四：质检规则未前置。标注员不知道质检标准，返修率会显著上升。应将规则嵌入工具提示与提交校验。

复盘时建议统计：一次通过率、返修原因分布、平均单帧耗时、导出失败率、跨工具格式转换耗时。通过数据定位瓶颈，再决定是优化工具快捷键、调整任务粒度，还是增加预标注比例。只有将工具能力、平台流程与质检规则三者对齐，才能形成稳定、可扩展的标注生产线。