Data Labeling

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，算法本身无法理解物理世界；它们需要一个“老师”来引导它们。这种引导以在监督学习期间使用的数据集的形式出现。这些标签充当真实值 (ground truth)，代表了模型努力预测的正确答案。无论是训练一个简单的分类器还是像 Ultralytics YOLO26 这样的复杂架构，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。

数据标注与数据注释#

虽然这些术语在日常交流中经常被交替使用，但值得注意的是它们之间存在着细微的差别。“数据 labeling（数据标注）”通常指为一块数据分配类别或标签的广泛行为（例如，将电子邮件标记为“垃圾邮件”）。相比之下，data annotation（数据注释）通常更具体于计算机视觉 (CV)，涉及使用边界框、多边形或关键点对对象进行精确勾勒。然而，在大多数机器学习运维 (MLOps)工作流中，这两个术语都描述了高质量训练数据的创建。

计算机视觉中的关键类型#

标注方法会根据模型必须执行的任务而变化。常见类型包括：

• 图像分类： 为整张图片分配一个单一的标签，例如将天气状况识别为“多云”或“晴天”。
• 目标检测： 在不同物体周围绘制二维边界框，以教导模型物体是什么以及它位于何处。
• 实例分割： 在物体周围创建像素级完美的掩码或多边形，这对于确定精确的形状和边界至关重要。
• 姿态估计： 在主体上标记特定的关键点（例如骨骼关节），以分析运动或姿势。

实际应用#

数据标注的效用几乎扩展到每一个采用 AI 的行业。

1. 自动驾驶汽车： 自动驾驶汽车依赖于庞大的数据集，其中每辆车、行人、交通标志和车道线都经过了细致的标注。这些带标签的数据使感知系统能够安全地导航复杂的环境。自动驾驶汽车公司在像素级标注上投入巨资，以确保符合安全标准。

2. 精准农业： 在现代农业中，农业人工智能被用于检测作物病害或监测生长阶段。农民使用根据“健康”与“患病”叶子的标注图像训练出的模型来自动化处理，从而减少化学品的使用并提高产量。

标注工作流#

创建带标签的数据集通常是人工智能项目中耗时最长的部分。该过程通常涉及“人在回路 (Human-in-the-Loop, HITL)”方法，即人工注释员验证标签以确保高准确性。现代工作流利用诸如 Ultralytics Platform 等工具，该工具简化了数据集管理并允许团队就注释进行协作。还可以采用诸如主动学习等先进技术，其中模型对数据进行预标注，而人类只纠正低置信度的预测，从而显著加快该过程。

以下示例演示了如何使用预训练的 Ultralytics YOLO26 模型为新图像自动生成标签（自动标注），然后可以由人工进行校正：

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")