数据采集与标注：打好感知系统的基础

做感知系统这几年，我最大的体会就是——数据质量决定了算法上限。你模型再牛，喂进去的数据是脏的，出来的结果也是垃圾。今天咱们就聊聊数据采集和标注这块，我踩过的坑不少，希望能帮你少走弯路。

核心观点：数据采集和标注不是体力活，而是技术活。规范做在前，后面能省80%的返工时间。

传感器数据采集规范

先说采集。很多人觉得采集嘛，装好传感器上路跑就行了。其实没那么简单。

第一，传感器标定是前提。我记得刚入行时，有次采集了一整天数据，回来一看，激光雷达和相机的外参差了5厘米。结果所有标注都得重来。嗯，这个教训挺深刻的。

标定要做三件事：

内参标定：相机畸变参数、激光雷达的旋转中心偏移
外参标定：传感器之间的相对位姿（旋转+平移）
时间同步：各传感器的时间戳对齐，误差控制在1ms以内

第二，采集场景要覆盖全。我见过不少团队，白天晴天采集了80%的数据，结果雨雪天、夜间场景模型直接崩了。

我个人习惯把场景分成这几类：

场景维度	具体类型	建议占比
光照	白天、黄昏、夜间、隧道	40%、20%、30%、10%
天气	晴天、阴天、雨、雪、雾	50%、20%、15%、10%、5%
道路	高速、城市、乡村、停车场	30%、40%、20%、10%
交通密度	稀疏、中等、拥堵	30%、40%、30%

第三，采集频率和存储要规划好。举个例子，激光雷达一般10Hz，相机30Hz。但如果你做目标跟踪，建议所有传感器统一到20Hz，这样时间对齐简单很多。

存储格式我推荐：

激光雷达：PCD或BIN格式，保留原始点云
相机：PNG或JPG（无损压缩），注意保留EXIF信息
IMU/GPS：CSV或JSON，带时间戳

小技巧：采集时多留10%的冗余数据。我曾经因为存储卡满了，漏掉了关键的高速出口场景，后来补采多花了两天。

标注工具选型

标注工具这块，说实话，没有完美的。我试过七八种，各有各的脾气。

开源工具 vs 商业工具？我的建议是：

小团队/原型验证：用开源工具，比如LabelImg（2D框）、PointLabeler（3D点云）
量产项目：上商业工具，比如Scale AI、Supervisely，省心但烧钱

我目前在项目中用的是自研工具+商业工具混合。为什么？因为开源工具对3D点云的标注效率太低了。你想想看，一个点云场景几十万个点，纯手动标注一个目标要半分钟。商业工具能自动预标注，效率提升3倍以上。

选型时重点看这几个维度：

功能	重要性	说明
2D/3D联合标注	★★★★★	能在图像和点云上同步标注，减少重复劳动
自动预标注	★★★★☆	用已有模型自动生成初始框，人工微调
多人协作	★★★★☆	支持多标注员同时工作，避免冲突
数据版本管理	★★★☆☆	能回溯每次修改，方便复盘

注意：别只看工具的功能列表。我曾经选了一个功能很全的工具，结果部署起来要配数据库、消息队列，折腾了两周。小团队建议选SaaS版的，开箱即用。

数据质量检查

数据质量检查，说白了就是「找茬」。我把它分成三个层次：

第一层：自动化检查。写脚本跑一遍，检查：

标注框是否超出图像边界
点云标注是否在传感器范围内
时间戳是否连续、无跳变
标注类别是否在预设列表内

代码示例（Python伪代码）：

def check_annotation_quality(annotation):
    errors = []
    # 检查标注框是否在图像内
    for bbox in annotation.bboxes:
        if bbox.x_min < 0 or bbox.y_max > image_height:
            errors.append(f"框 {bbox.id} 超出图像边界")
    # 检查类别是否合法
    valid_classes = ['car', 'pedestrian', 'cyclist']
    for obj in annotation.objects:
        if obj.class_name not in valid_classes:
            errors.append(f"类别 {obj.class_name} 不合法")
    return errors

第二层：人工抽检。自动化检查只能发现低级错误。更隐蔽的问题，比如标注框偏大、漏标了小目标，得靠人眼。

我建议抽检比例不低于10%。如果发现错误率超过5%，整批数据退回重标。

第三层：交叉验证。让两个标注员标同一批数据，然后对比一致性。常用的指标是mAP和IoU。

举个例子，如果两个标注员对同一辆车的框，IoU只有0.6，说明标注标准不统一。这时候需要重新对齐标注规范。

避坑指南：我曾经遇到过一个项目，标注员把「骑自行车的人」标成了「行人」，因为觉得骑车的人也算行人。结果模型训练出来，对骑行者完全不识别。所以标注规范一定要写清楚，每个类别都要有正例和反例的图示。

知识体系总览

下面这张图是我自己整理的，数据采集与标注的核心流程。你可以把它当作一个检查清单：

这张图把整个流程串起来了。从标定开始，到场景规划、采集，再到标注工具选型、规范制定、执行标注，最后质检。每一步都环环相扣，哪一环出问题，最终的数据质量都会打折扣。

我的经验：数据采集和标注这件事，前期花1小时做规范，后期能省10小时返工。别急着「先跑起来再说」，先把规矩立好。

好了，关于数据采集与标注，今天就聊到这儿。记住一句话：数据是感知系统的血液，质量就是血型——配错了，整个系统都会出问题。

📚 课程目录

数据采集与标注：打好感知系统的基础

传感器数据采集规范

标注工具选型

数据质量检查

知识体系总览