数据标注

一句话总结： 数据标注是为原始数据——图像、文本、音频或视频——添加标签的过程。这些标签就是机器学习模型用来学习的“答案”。

数据标注是对原始数据进行标记与贴标签的过程。标注人员会为每个数据点添加有意义的标签或元数据。标签告诉模型：针对该输入，什么才是正确答案。对于图像，标注会用边界框或像素掩码标记目标；对于文本，标注会标记命名实体、意图或情感倾向。没有标注，监督学习就无法开展。标注质量是影响模型准确率的最大单一因素。

数据标注的类型

1. 图像标注：使用边界框、多边形、关键点或像素掩码为图像中的目标打标签。对 计算机视觉 模型至关重要。
2. 文本标注：标签可包括命名实体、意图、情感，或用于 NLP 任务的问答对。
3. 音频标注：转写文本、说话人标签或声音事件标签，用于语音识别与音频分类。
4. 视频标注：逐帧标注以跨时间跟踪目标，用于动作识别与自动驾驶。
5. 3D 点云标注：为来自 LiDAR 传感器的 点云 数据中的目标添加 3D 边界框。

标注工作流

1. 制定规范：编写清晰的标注说明，包含示例与边界情况。
2. 采集原始数据：从真实世界来源或 合成数据 生成器中收集未标注数据。
3. 执行标注：人工标注人员使用标注工具为每个数据点贴标签。
4. 质量复核：由第二位标注人员或自动化系统检查标签错误。
5. 导出：将已标注的数据集导出，用于模型训练。

标注质量与 Ground Truth

高质量标注被称为 ground truth（真实标注）。不一致或含糊的规范会产生“标签噪声”。标签噪声越严重，模型性能下降越明显。标注者一致性（如 Cohen’s kappa）用于衡量标注的一致程度。对于医学、法律等专业领域，专家复核至关重要。

规模化数据标注

现代 AI 项目通常需要数百万条已标注样本。达到该规模时，纯人工标注既慢又贵。众包可将任务同时分发给成千上万名工人。数据标注工具可自动化质量控制。Bright Data 的 数据集市场 提供预标注、可直接使用的 训练数据，彻底消除标注瓶颈。