Data-Centric AI

探索以数据为中心的 AI，通过优先考虑数据质量来提高模型性能。学习使用 Ultralytics Platform 为 Ultralytics YOLO26 策划数据集。

以数据为中心的AI是一种机器学习哲学和方法，它侧重于提高用于训练模型的数据集的质量，而不是主要关注调整模型架构或超参数。在传统的以模型为中心的开发中，工程师通常在保持数据集不变的情况下迭代算法，以榨取更好的性能。以数据为中心的AI颠覆了这种范式，它认为对于许多现代应用来说，模型架构已经足够先进，提高性能最有效的方法是系统地优化数据本身。这涉及到清洗、标注、增强和管理数据集，以确保它们具有一致性、多样性，并能代表现实世界的问题。

Link to this section核心哲学：数据质量重于数量#

向以数据为中心的方法转变认识到，“垃圾进，垃圾出”是机器学习中的基本真理。如果数据本身是有噪声或有偏见的，那么简单地增加更多数据并不总是解决方案。相反，这种方法强调了高质量计算机视觉数据集的重要性。通过优先考虑数据质量和一致性，开发人员通常可以用较小、经过精心策划的数据集实现比使用海量、混乱数据集更高的准确性。

这种哲学与主动学习密切相关，在主动学习中，模型有助于识别哪些数据点最值得进行下一步标注。诸如Ultralytics Platform之类的工具通过简化数据标注和管理来促进这一过程，使团队能够协作提高数据集的健康度。这与纯粹的监督学习工作流形成对比，在后者中，数据集通常被视为静态制品。

Link to this section以数据为中心的AI中的关键技术#

实施以数据为中心的策略涉及一些超越简单数据收集的实际步骤。

**标签一致性：**确保所有标注员以完全相同的方式标注对象至关重要。例如，在目标检测中，严格定义是否将汽车的侧视镜包含在边界框中，会对模型性能产生重大影响。
**数据增强：**系统地对现有数据应用转换以覆盖边缘案例。你可以阅读我们的数据增强终极指南，以了解旋转和马赛克增强等技术如何帮助模型实现更好的泛化。
**错误分析：**识别模型失败的特定类别或场景，并收集针对性的数据来填补这些空白。这通常涉及检查混淆矩阵以查明弱点。
**数据清洗：**删除重复图像，纠正标注错误的示例，并过滤掉可能使神经网络感到困惑的低质量数据。

Link to this section实际应用#

以数据为中心的方法正在改变那些可靠性不容妥协的行业。

**医学影像：**在医学影像中的肿瘤检测等领域，获得数百万张图像是不可能的。相反，研究人员专注于策划经过专家评审、高度准确的数据集。以数据为中心的方法确保分割掩码中的每一个像素都是精确的，因为模糊的标签可能导致危及生命的错误。
**制造业质量控制：**在部署视觉检测系统时，与完美零件相比，划痕或凹痕等缺陷很少见。以数据为中心的策略包括合成或专门捕获缺陷数据以平衡数据集，确保模型不会仅仅对每个项目都预测为“通过”。

Link to this section以数据为中心的AI vs. 以模型为中心的AI#

区分以数据为中心的AI和以模型为中心的AI非常重要。在以模型为中心的工作流中，数据集是固定的，目标是通过改变模型架构（例如，从YOLO11切换到自定义的ResNet）或调整诸如学习率之类的参数来改进指标。在以数据为中心的工作流中，模型架构是固定的（例如，标准化使用YOLO26），目标是通过清洗标签、添加多样化示例或处理离群值来改进指标。

以下代码片段演示了一个简单的以数据为中心的检查：在训练前检查你的数据集是否存在损坏的图像。这可确保你的训练流水线不会因为糟糕的数据而失败。

from ultralytics.data.utils import check_cls_dataset

# Validate a classification dataset structure and integrity
# This helps identify issues with data organization before training begins
try:
    # Checks the dataset defined in a YAML or path structure
    check_cls_dataset("mnist", split="train")
    print("Dataset structure is valid and ready for data-centric curation.")
except Exception as e:
    print(f"Data issue found: {e}")

Link to this section以数据为中心开发的工具#

为了有效地实践以数据为中心的AI，开发人员依赖于强大的工具。 Ultralytics Platform 是管理数据生命周期的中心枢纽，提供自动标注功能，在保持一致性的同时加快标注过程。此外，使用资源管理器工具允许用户对数据集进行语义查询（例如，“查找所有夜间拍摄的红色汽车的图像”），以了解分布和偏差。

通过关注数据，工程师可以构建在自动驾驶汽车或智慧零售等动态环境中更稳健、公平且实用的系统。这种转变承认，对于许多问题而言，代码已是已解决的问题，而数据仍然是创新的前沿。