4. 数据采集与标注：从硬件选型到格式落地

数据采集和标注，说白了就是给模型准备「教材」。教材质量不行，模型学出来也是半吊子。我见过太多团队花大把时间调模型，结果回头一看，数据本身就有问题——光源打错了、相机分辨率不够、标注框歪歪扭扭。嗯，今天咱们就把这块硬骨头啃下来。

4.1 工业相机选型：别只看像素

很多人一上来就问「我要多少万像素的相机？」。其实像素只是起点，真正决定成像质量的，是传感器类型、帧率和接口带宽。

4.2 光源方案设计：打光打得好，标注少烦恼

光源是工业视觉里最容易被低估的环节。我个人的经验是：光源方案定下来，标注工作量能减少30%。为什么？因为好的打光能让缺陷「跳」出来，差的打光让缺陷「藏」进去。

常见光源类型

• 环形光源：适合检测划痕、凹坑，打光均匀
• 条形光源：适合检测边缘、轮廓，比如PCB焊点
• 同轴光源：适合高反光表面，比如金属、镜面
• 背光源：适合测量尺寸、检测通孔

打光角度

高角度打光突出表面纹理，低角度打光突出凹凸缺陷。我做过一个金属表面划痕项目，一开始用高角度打光，划痕根本看不清。换成低角度后，划痕像刀刻一样明显。你想想看，同样的相机、同样的算法，就换个光源角度，效果天差地别。

4.3 标注工具：LabelImg vs CVAT

标注工具我用了不少，最常用的就两个：LabelImg 和 CVAT。它们各有各的适用场景。

LabelImg 快速上手

# 安装
pip install labelImg

# 启动
labelImg

# 快捷键
W: 创建矩形框
A: 上一张
D: 下一张
Ctrl+S: 保存

我个人习惯用 LabelImg 做小批量验证，比如先标200张看看模型能不能收敛。如果项目规模大，我会直接上 CVAT，因为它支持多人同时标注，还能用半自动标注功能——先训练一个初版模型，然后用模型预标注，人工修正，效率能翻好几倍。

4.4 标注格式：COCO、YOLO、VOC

标注格式说白了就是「怎么把框的位置存下来」。三种主流格式各有各的脾气。

Pascal VOC (XML格式)

每个图片对应一个XML文件，框的坐标是 xmin, ymin, xmax, ymax（左上角和右下角）。

<annotation>
  <filename>img_001.jpg</filename>
  <size>
    <width>1920</width>
    <height>1080</height>
  </size>
  <object>
    <name>scratch</name>
    <bndbox>
      <xmin>100</xmin>
      <ymin>200</ymin>
      <xmax>300</xmax>
      <ymax>400</ymax>
    </bndbox>
  </object>
</annotation>

YOLO (TXT格式)

一个TXT文件存所有框，坐标是归一化的 class_id, x_center, y_center, width, height。

0 0.156 0.278 0.104 0.185
1 0.450 0.600 0.080 0.120

COCO (JSON格式)

所有标注信息放在一个JSON文件里，支持分割多边形。适合实例分割任务。

{
  "images": [{"id": 1, "file_name": "img_001.jpg", "width": 1920, "height": 1080}],
  "annotations": [{"id": 1, "image_id": 1, "category_id": 1, "bbox": [100, 200, 200, 200]}],
  "categories": [{"id": 1, "name": "scratch"}]
}

4.5 知识体系总览

下面这张图把本章的核心逻辑串起来了。从硬件采集到标注格式，每一步都影响最终的数据集质量。

4.6 标注流程实战

最后，我分享一下自己常用的标注流程，你直接照着做就行：

1. 采集原始图像：按光源方案架好设备，拍100~200张测试图，检查成像质量
2. 制定标注规范：明确「什么是缺陷」「框要包多紧」「重叠框怎么处理」
3. 选择工具：小项目用LabelImg，大项目用CVAT
4. 标注+质检：标完一轮后，随机抽20%让另一个人复检，不一致的地方讨论修正
5. 格式转换：用脚本统一转成目标格式（我常用 labelme2coco.py 这类工具）
6. 数据划分：训练集70%、验证集15%、测试集15%，按类别分布分层抽样