Data-Centric AI

以数据为中心的 AI，是通过系统地改进数据来提升 AI 系统的实践，改进内容包括标签一致性、对真实条件的覆盖、类别平衡和数据清洁度，同时基本保持模型和训练代码不变。Andrew Ng 于 2021 年推广了这一术语，并指出卷积神经网络和 Transformer 等架构已经足够成熟，大多数应用从改进数据中获得的收益，比从改进模型中获得的收益更多。与之相反，以模型为中心的 AI 会固定基准数据集，不断迭代架构、损失函数和超参数调优，大多数学术排行榜都采用这种方式。

Ng 最著名的例子来自钢板检测：一个缺陷检测器的准确率停滞在 76.2%，以模型为中心的改进毫无效果，而修正不一致的标签后，准确率升至 93.1%。同年晚些时候，DeepLearning.AI 和 Landing AI 举办了以数据为中心的 AI 竞赛，固定模型，只允许参赛者改进一个带噪声的手写罗马数字图像分类数据集，该数据集最多包含 10,000 张图像。

核心实践#

• 一致的数据标注：标注人员遵循针对模糊情况制定的书面规则，例如边界框是否应包含汽车的后视镜，或如何标注被遮挡一半的人物。如果两位标注人员对这些情况的处理方式不同，就会产生模型无法克服的标签噪声。
• 发现标签错误：模型与现有标签不一致的地方，可能存在错误。Northcutt、Athalye 和 Mueller 在 2021 年的一项研究中发现，在 10 个常用数据集中，测试样例的标签错误平均至少占 3.3%；在 ImageNet 验证集中，这一比例至少为 6%。
• 有针对性地收集数据和使用合成数据：按类别、场景、光照或物体尺寸进行误差分析，可以找出模型的失败之处；专门针对这些数据切片补充样本，比随机添加样本更有帮助。
• 数据清洗：删除损坏的文件、无关图像和重复图像，尤其是同时出现在训练集和测试集中的近似重复图像。
• 数据增强：扩大模型所见的光照、尺度和视角范围，而无需采集新图像。

不同数据集划分中出现重复项会造成数据泄漏，从而抬高测试得分；类别不平衡则可能让模型取得较高的准确率，却漏掉关键的稀有类别，例如缺陷零件数量很少的制造缺陷检测。在医学图像分析中，数据集规模小且专家标注成本高，因此一致且经过审核的标签比数据量更重要。

以数据为中心的循环#

以数据为中心的团队会固定模型，使用混淆矩阵等工具研究模型错误，并据此调整数据。首次微调与迭代循环课程便会将 YOLO26 模型表现最差的类别转化为下一项数据集改进工作：

此示例会污染 scikit-learn 手写数字数据集中 20% 的标签，标记折外预测与标签不一致的样本，并在排除这些样本后重新训练同一个模型：

import numpy as np
from sklearn.datasets import load_digits
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_val_predict, train_test_split

X, y = load_digits(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

# Replace 20% of the training labels with random digits to mimic annotation errors
rng = np.random.default_rng(0)
noisy = y_train.copy()
flip = rng.random(len(noisy)) < 0.2
noisy[flip] = rng.integers(0, 10, flip.sum())
wrong = noisy != y_train  # some random digits match the true label

# The model stays fixed; only the training data changes
model = LogisticRegression(max_iter=5000)
print(f"noisy labels: {model.fit(X_train, noisy).score(X_test, y_test):.1%} test accuracy")

# Flag examples whose out-of-fold prediction disagrees with their label, then drop them
keep = cross_val_predict(model, X_train, noisy, cv=5) == noisy
print(f"flagged {(~keep).sum()} examples, {(~keep & wrong).sum()} of {wrong.sum()} wrong labels")
print(f"cleaned labels: {model.fit(X_train[keep], noisy[keep]).score(X_test, y_test):.1%} test accuracy")

模型没有变化，测试准确率便从 87.0% 提升到 94.1%。筛选器标记了 354 个样本：213 个错误标签中有 211 个被标出，此外还有 143 个正确但不寻常的样本，因此清理后的数据集在几乎清除所有错误的同时，也丢失了一些有效样本。

要比较数据变更，必须确切知道每个模型使用了哪些数据进行训练。Ultralytics Platform 会保存不可变的数据集版本：云端训练中的“保存数据集版本”选项会将每个模型关联到其训练所用的快照；“比较版本”会列出两个快照之间发生变化的图像、标注和类别；数据集的“模型”选项卡则会在每个模型旁列出其数据集版本以及 mAP_50-95 等关键指标。

以数据为中心的 AI 与相关术语#

• 主动学习：决定接下来应该标注哪些未标注样本，通常优先选择模型最没把握的样本。这是以数据为中心的 AI 中的一种技术。
• 数据飞轮：已部署模型的输入和错误转化为新训练数据的生产循环，因此每次发布都会重复以数据为中心的工作。
• 机器学习运维（MLOps）：对模型进行版本管理、训练、部署和监控的工程实践，使数据变更可复现、可比较。