第2章 标注与数据管线

第 2 章 · 标注与数据管线

章节摘要：分割模型吃的是「图 + 掩码」成对数据。本章动手优先：先搞清像素、通道、掩码怎么存，再用滤波和形态学清洗，用颜色空间和几何变换做对齐与增强，最后把标注规范、数据收集和划分写成可执行的闸门。管线不通，后面所有网络都在空转。

本节导读

阅读完本章，你应当能够：

1. 读出一张图的高、宽、通道，并把单通道类别掩码与独热掩码互相转换
2. 用高斯、中值、开闭运算处理噪声和孔洞，而不把细目标抹掉
3. 在 HSV 或 Lab 里做比 RGB 更稳的颜色分离，并用仿射变换保持图与掩码同步
4. 写出标注规范：类别 id、边界怎么画、忽略区、抽检规则、训练验证测试划分

核心概念速览

金句：图和掩码必须像两块拼图对缝，错一个像素，损失就会惩罚边界。

子章节导航

2.1 像素、通道与掩码怎么存

数组布局、坐标系原点、灰度与彩色、掩码用整数标签还是独热，决定你后面损失怎么写。

2.2 滤波与形态学当预处理

高斯去传感器噪声，中值去椒盐，开运算去小突起，闭运算补小洞。这些是标注前清洗，也是推理后处理的同一套工具。

2.3 颜色空间与几何变换

HSV 里按色相抠，Lab 里按明度稳。翻转、缩放、裁切必须图和掩码共用同一套随机数。

2.4 标注规范、收集与划分

需求写成类别表，收集公开集或自采，分析类别面积占比，按病例或场景划分，防止泄漏。

子章节之间的逻辑关系

存储格式是契约，预处理是清洁工，变换是增强器，规范是法律。先契约后法律，中间两步可按数据脏净取舍。

2.1 怎么存 ──► 2.2 怎么洗 ──► 2.3 怎么变 ──► 2.4 怎么收和切
                                      │
                                      └► 加载器对齐检查
​

本章怎么练

四节读完，你手里应有：能断言同高同宽的读取函数、一份结构元尺寸表、一套成对变换、以及试标 30 对后的划分清单。缺任何一件，第 4 章的训练环都会把错误高速放大。建议顺序不要跳：先存对，再洗，再变，最后才扩标注——扩了再改编码，回炉成本按张计。

滤波和形态学在本章是清洁工，在第 3 章是算法主体，在第 6 章是后处理。同一套函数，三个岗位。核大小按最细目标宽度量，不要三处抄同一个 5。颜色空间分支给传统探针用，网络分支保持预训练的 RGB 习惯，配置里分叉，避免一个函数里藏两个默认。

⚠️ 有损格式保存标签，等于给每张图洒噪声。
💡 管线的单元测试是叠图，不是损失标量。

四节可以当成加载器的四道单元测试：编码断言、滤波不伤细目标、变换后标签仍合法、划分无泄漏。任何一道红，训练环不准开工。管线文档比网络结构图更需要版本号，因为脏编码会在三个月后以「换了骨干也不涨点」的方式出现。把试标 30 对的统计表贴在实验日志首页，类别权重和裁切策略都从那里来，不从讨论区来。

加载器是本章的编译器：红了不准训。把断言失败的样本路径打进隔离清单，每周清一次，清的时候改的是规范或读取，不是改断言阈值让它变绿。四道测试都绿，才把数据版本号加一。版本号进第 6 章契约，和权重绑在一起。

四道测试的失败日志保留一周。一周内同一断言反复红，说明读取或规范没改到位，禁止靠「这次跳过」推进。数据版本号与隔离清单一起发布。没有版本号的训练视为不可复现，第 6 章不得接收其权重。管线比模型更需要严肃的发布流程。

失败日志超一周仍是同一断言，召开规范会而不是静默跳过。数据版本发布邮件（或日志）必须附隔离清单摘要。第 6 章接收权重时核对数据版本，对不上拒收。管线发布与模型发布同样严肃。

拒收对不上版本的权重。管线发布纪要模板含：测试四道结果、隔离摘要、版本号。缺一项视为未发布。

四道测试未全绿，数据版本号不得加一，第 4 章调度器应直接拒收该版本。

前置知识与后续延伸

• 前置：第 1 章的任务类型与类别表；会用 Python 读数组形状。实例任务还要接受「变长物体列表」这个麻烦。
• 后续：第 3 章在清洗后的图上跑阈值和分水岭，验证标注是否「人眼可分」；第 4 章把加载器接到训练环。不可分时先改采集，不要用标注硬填。
• 时间：编码与断言一个晚上，试标与划分另两个晚上。公开集只用来打通读取，不算产品数据。管线版本未发布，全量训练不准开始。本章四道测试全绿才允许把版本号加一。未发布的数据版本不得进入全量训练队列，也不得进入第 4 章。