📚 课程目录第3章数据集构建与标注

3. 数据集构建与标注：数据采集策略、标注工具选择与质量把控

说实话，很多做算法的朋友容易忽略一个事实：模型的上限，其实在标注阶段就定死了。你调参调得再好，网络结构改得再花哨，喂进去的数据是脏的、标注是错的，那结果就是白费功夫。我见过太多项目，算法团队花三个月优化模型，最后发现是标注框偏了 5 个像素，导致缺陷漏检率一直下不去。

这一章，咱们就聊聊怎么把数据集这个地基打牢。我会把我在产线上踩过的坑、总结的经验，都摊开来讲。

3.1 数据采集策略：别等上线了才发现缺样本

数据采集不是拿个相机随便拍一拍就完事了。你得想清楚几个问题：

缺陷长什么样？ 划痕、脏污、气泡、缺料……每种缺陷的形态、大小、对比度都不一样。
产线环境稳不稳定？ 光照变化、产品来料波动、相机震动，这些都会影响数据分布。
正负样本比例是多少？ 工业场景下，良品率往往很高，缺陷样本可能只有千分之一甚至更低。

我个人习惯，在项目启动阶段先做一次小批量试采。拿 500 到 1000 张图，快速看一下缺陷的分布情况。如果发现某种缺陷压根没出现，那就得想办法了——要么去产线蹲守，要么用人工复现的方式制造缺陷样本。

我的经验： 别指望一次采集就搞定所有数据。工业场景的数据分布是会漂移的。我建议在项目初期就建立一套持续采集机制，比如每天从产线抽检 5% 的产品图像，存到数据池里。这样即使模型上线后，也能不断补充新样本。

3.1.1 采集策略对比

策略	适用场景	优点	缺点
全量采集	产线速度慢、产品种类少	数据覆盖全面	存储成本高、冗余数据多
触发式采集	缺陷出现频率低、需要精准捕获	节省存储、目标明确	依赖触发信号、可能漏采
周期性抽检	产线稳定、缺陷率低	平衡成本与覆盖	可能错过偶发缺陷
人工复现	缺陷样本极度匮乏	快速补充稀缺样本	与真实缺陷有差异

你看，没有一种策略是万能的。我通常的做法是组合使用：用触发式采集抓取已知缺陷，用周期性抽检覆盖未知异常，再配合人工复现补充极端情况。

3.2 标注工具选择：LabelImg 还是 CVAT？

工具选对了，效率翻倍；选错了，标注员能把你骂死。目前工业界用得最多的就是 LabelImg 和 CVAT。我两个都用过，说说我的感受。

3.2.1 LabelImg：轻量、离线、够用

LabelImg 是个老牌工具了。它最大的优点就是简单——下载就能用，不需要配置服务器，也不需要联网。适合小团队、小项目，或者个人做实验。

格式支持： Pascal VOC (XML)、YOLO (TXT)、CreateML (JSON)。
操作方式： 鼠标画框，快捷键切换标签。
痛点： 不支持多人协同，没有自动保存功能（我吃过这个亏，标注到一半软件崩了……）。

3.2.2 CVAT：团队协作、功能强大

CVAT 是 Intel 开源的在线标注平台。如果你要管理一个标注团队，或者项目数据量很大，我强烈推荐用 CVAT。

核心优势： 支持多人同时标注、自动标注（基于预训练模型）、标签审核流程。
格式支持： COCO JSON、Pascal VOC、YOLO、TFRecord 等。
部署方式： Docker 部署，需要一台服务器。

  我的建议： 项目初期数据量小于 5000 张，且只有 1-2 个人标注，用 LabelImg 就够了。一旦数据量超过 1 万张，或者需要多人协作，果断上 CVAT。别犹豫，犹豫就会败北。

3.3 标注规范：框怎么画，才算合格？

这是最容易出问题的地方。我见过标注员把缺陷框画得比实际缺陷大两倍，也见过把背景上的灰尘当成缺陷标出来。所以，标注规范必须提前定死，而且要写进文档里。

3.3.1 核心标注原则

紧贴缺陷边缘： 标注框必须刚好包住缺陷区域，不能留白太多，也不能切掉缺陷边缘。误差控制在 2-3 个像素以内。
遮挡处理： 如果缺陷被其他物体遮挡，只标注可见部分。不要脑补缺陷的完整形状。
模糊边界： 对于边缘模糊的缺陷（比如渐变划痕），以人眼能清晰分辨的边界为准。
多缺陷标注： 一张图上如果有多个缺陷，每个都要单独标注。不要合并成一个框。
标签一致性： 同一类缺陷，必须用同一个标签名。比如“划痕”不能有的标“scratch”，有的标“划伤”。

避坑指南： 我曾经在一个项目中，因为标注规范没写清楚，导致两个标注员对“轻微划痕”的理解不一致。一个认为只要肉眼可见就算，另一个认为必须用指甲能感觉到才算。结果模型训练出来，对轻微划痕的检测率只有 30%。后来我们重新统一了标准，用参考图卡来定义每种缺陷的严重等级，才解决了这个问题。

3.3.2 标注质量把控流程

光有规范还不够，你得有机制来保证规范被执行。我一般会设置三级审核：

级别	执行人	检查内容	抽检比例
一级	标注员自检	框的位置、标签是否正确	100%
二级	标注组长	框的贴合度、遗漏缺陷	30%
三级	算法工程师	随机抽检，确认是否符合训练要求	5%

嗯，这里要注意：三级审核不是走过场。我每次都会亲自抽检一批数据，看看有没有系统性偏差。比如，如果发现某个标注员画的框普遍偏大，我会让他重新学习规范，并把他之前标注的数据全部打回重标。

3.4 数据集构建的核心逻辑

标注完成后，下一步就是构建训练集、验证集、测试集。这里有个常见的误区：很多人直接随机划分，结果导致验证集和测试集里出现了训练集没有的缺陷类型，或者光照条件差异太大。

我建议按照批次或时间维度来划分。比如，用前 7 天的数据做训练，第 8 天的数据做验证，第 9 天的数据做测试。这样能更好地模拟模型上线后遇到新数据的表现。

一个小技巧： 在划分数据集之前，先统计一下每种缺陷的样本数量。如果某个缺陷只有 10 张图，那就别把它分到测试集里了，全部放进训练集。测试集至少要保证每种缺陷有 20 张以上的样本，否则评估结果没有统计意义。

3.5 本章知识结构图

下面这张图，我把数据集构建与标注的核心流程梳理了一下。你可以把它当作一个检查清单，做项目时对着看，看看自己漏了哪一步。

说白了，数据集构建这件事，功夫在诗外。你花在数据上的时间，最终都会在模型性能上体现出来。别急着调参，先把数据搞干净。