数据标注

数据标注是识别原始数据（如图像、视频帧、文本或音频）并添加信息标签或元数据以提供上下文的基础过程。在机器学习（ML）领域，算法无法天生理解物理世界，它们需要"导师"的引导。这种引导以监督学习中使用的标注数据集形式呈现。 标签作为基准标准，代表着模型 努力预测的正确答案。无论是训练简单的分类器，还是像 Ultralytics 复杂的架构，这些标签的准确性、一致性和质量 都是决定模型成功与否的首要因素。

数据标注与数据标记

虽然在日常对话中这两个术语常被互换使用，但其中存在值得注意的微妙差异。 "数据标注"通常指为数据赋予类别或标签的广泛行为（例如将邮件标记为"垃圾邮件"）。 相比之下， 数据标注更常特指计算机视觉（CV）领域， 涉及使用边界框、多边形或关键点 对物体进行精确划分。但在多数 机器学习运维（MLOps）工作流中， 这两个术语都描述了创建高质量 训练数据的过程。

计算机视觉中的关键类型

标注方法会根据模型需要执行的任务而变化。常见类型包括：

• 图像分类： 为整张图像分配单一标签，例如将天气状况识别为"多云"或 "晴朗"。
• 目标检测：在不同物体周围绘制二维 边界框，以教导模型识别物体类型及其 所在位置。
• 实例分割： 在对象周围创建像素级精确的遮罩或多边形， 这对确定精确的形状和边界至关重要。
• 姿势估计 :在主体上标记特定关键点（如骨骼关节），用于分析动作或姿势。

实际应用

数据标注的实用性几乎覆盖了所有采用人工智能的行业。

1. 自动驾驶汽车：自动驾驶汽车依赖海量数据集，其中每辆车辆、行人、交通标志和车道标线都经过精细标注。这些标注数据使感知系统能够安全地导航复杂环境。 自动驾驶汽车公司投入巨资进行像素级标注，以确保符合安全规范。
2. 精准农业：在现代农业中， 农业人工智能被用于 detect 作物病害 或监测生长阶段。农民利用基于"健康"与"病害"叶片标注图像训练的模型 实现自动化防治，从而减少化学品使用并提高产量。

标签工作流

创建标注数据集通常是人工智能项目中最耗时的环节。该过程通常采用"人机协同"（HITL）方法，由人工标注员验证标签以确保高精度。 现代工作流Ultralytics 工具， 简化数据集管理并支持团队协作标注。 同时可采用主动学习等先进技术： 模型预先标注数据后，人类仅需修正低置信度预测结果， 从而显著提升处理效率。

以下示例演示了如何使用预训练的YOLO26模型为新图像自动生成标签（自动标注），这些标签随后可由人工进行修正：

from ultralytics import YOLO

# Load the YOLO26n model (nano version)
model = YOLO("yolo26n.pt")

# Run inference on an image to detect objects
results = model("https://ultralytics.com/images/bus.jpg")

# Save the detection results to a text file in standard YOLO format
# This file can now be used as a starting point for data labeling
results[0].save_txt("bus_labels.txt")