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。

核心哲学：数据质量重于数量#

向以数据为中心的方法的转变承认了“垃圾进，垃圾出”是机器学习中的一个基本真理。如果数据存在噪声或偏见，单纯增加更多数据并不总是解决方案。相反，这种方法强调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，开发者通常可以用较小、精心策划的数据集获得比庞大而混乱的数据集更高的准确率。

这种理念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对接下来进行标注最有价值。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点，使团队能够协作改善数据集的健康状况。这与单纯的监督学习工作流形成鲜明对比，在监督学习中，数据集通常被视为静态人工产物。

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： 确保所有标注人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显著影响模型性能。
数据增强： 系统地对现有数据应用转换以覆盖边缘情况。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更好地进行泛化。
错误分析： 识别模型失败的具体类别或场景，并收集有针对性的数据来解决这些差距。这通常涉及检查混淆矩阵以找出薄弱环节。
数据清洗： 移除重复图像、纠正标注错误的样本，并过滤掉可能使神经网络产生混淆的低质量数据。

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，获取数百万张图像是不可能的。相反，研究人员专注于策划高度准确、经专家审核的数据集。以数据为中心的方法确保分割掩码中的每个像素都精确无误，因为模棱两可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，与完美部件相比，划痕或凹痕等缺陷是罕见的。以数据为中心的操作策略包括合成或专门捕获缺陷数据以平衡数据集，确保模型不会对每个项目都只预测“通过”。

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与以模型为中心的AI是很重要的。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ResNet）或调整学习率等参数来改善指标。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、添加多样化样本或处理异常值来改善指标。

以下代码片段演示了一个简单的数据中心化检查：在训练前检查数据集中的损坏图像。这可确保你的训练流水线不会因不良数据而失败。

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}")