2.4 标注规范收集与划分

2.4 标注规范、收集与划分

本节摘要：项目需求先落成类别表和边界画法，再谈收集公开集还是自采。标注是分割的监督来源，质量闸门包括抽检一致率、忽略区、按病例或场景划分以防泄漏。没有规范的数据管线，只是把混乱高速送进显卡。

上手前先明确

阅读完本节，你应当能够：

1. 把第 1 章的任务类型翻译成标注说明书：类别、实例 id、忽略、遮挡
2. 在公开集、自采、合成之间做取舍，并列出隐私与口径风险
3. 按「独立单元」划分训练验证测试，而不是随机打散帧
4. 分析类别面积占比，为第 4 章的类别权重提供依据

一、需求不是「做个分割」

原文项目流程从需求分析起头：目标用户、输入输出、精度与速度、环境约束。落到标注，就是一页说明书。谁来画、画到哪一级结构、模糊带怎么处理、小目标小于多少像素标忽略。医学要伦理与去标识；驾驶要天气与时段覆盖；质检要缺陷等级和光源。说明书比网络结构图更早冻结。

类别表用稳定整数，从 0 背景起。改名可以，改 id 要迁移脚本。合并两类等于改任务，旧权重不兼容。拆一类要回炉。所以第一版类别宁少勿多，先把伤害最大的那几类标准。

画法：多边形适合硬边界建筑；画刷适合器官；点提示加模型预分割适合加速，但预分割必须人工改，否则模型在自我复制错误。实例任务规定遮挡时「只画可见还是补全被挡部分」。两种都合法，混用则评估乱。

二、收集：公开集是起点不是终点

公开集能验证管线：读得进、损失降、指标脚本通。口径很少等于你的产品。街景里的「人」不含手术室里的「人」。自采要覆盖失败模式：逆光、污迹、倍率、设备差异。合成数据适合先把训练环跑通，或补充稀有缺陷，但纹理一假，模型会认纹理不认结构。

数据量没有魔法数字。语义小器官有时几百张精心标的切片比几千张脏标强。实例遮挡多，则需要更多样的重叠。记录来源、设备、标注员、版本。版本进文件名或清单，回滚才可能。

隐私：人脸、病历、厂区布局。能在设备侧训练就不要集中明文。这不是附录，是收集阶段的门禁。

三、划分与泄漏

随机把帧打进三盘，同一患者、同一条街、同一块晶圆会出现在训练和测试里。指标好看，上线掉下来。独立单元：患者 id、行程 id、批次号。单元内的帧可以增强，单元本身不跨盘。时间序列还要按时间切，不要用未来帧训练预测过去那种泄漏的变体。

验证集用途是选模型和早停，测试集锁住直到报告。两盘都太小，早停会随机。类别极稀有时，分层保证每盘都有正例，但仍以独立单元为先，分层为辅。

⚠️ 常见坑：多人标注无抽检。一致率低时模型在学标注员风格，不是学生理解剖。
💡 关键直觉：规范是法律，抽检是执法。只发法律不执法，边界会按手抖生长。

四、分析完再训练

统计每类像素占比、每图是否出现、目标尺度直方图、标注员之间的分歧热区。占比悬殊就要在损失里加权或采样。尺度悬殊要考虑裁切策略或空洞多尺度。分歧热区往往是规范没写清的边界，应回去改说明书，而不是加更深的网络硬背分歧。

试标阶段用第 3 章传统方法看「人眼是否可分」。灰度完全重叠的两类，再多标注也只是给网络噪声。先改成像：染色、光源、镜头。数据管线包含采集，不只包含硬盘上的文件。

图 从说明书到三盘数据

动手小实验：把试标的 30 对拿来打印 unique、前景占比、最短边。写进日志。这 30 对也将是第 3 章传统方法和第 4 章过拟合单图的材料。管线在小数据上先闭合，再花钱扩标注。

五、试标 30 对的具体做法

不要一上来雇一个团队标一万张。先由写规范的人自己标 30 对，覆盖你能想到的失败模式：暗、亮、脏、截断、粘连。然后请另一人只凭说明书标同一批，算一致率（可按像素 Dice 或按边界距离）。一致率低，改说明书再标，不要开始扩大。30 对也将是第 3 章基线和第 4 章单图过拟合的材料，一鱼三吃。

公开集的划分若与你的泄漏标准冲突（例如同一场景既在训练又在测试），你仍可用它练手，但报告产品指标时必须用自有独立单元划分。合成缺陷要登记生成器版本，现场真缺陷分布一变，合成分布可能完全脱节，权重会「看起来很能打、现场全瞎」。

隐私门禁：能去标识的先去标识，不能的限制访问名单。提示式大模型若要出网，先过法务，本教程默认本地工装。版本清单至少含：规范版本、标注员、预分割模型若有、图像采集设备。缺设备字段，以后换相机掉点时你无法归因。

问题：类别极不平衡怎么划分？

独立单元优先，分层保证每盘都有正例为辅。某个批次全是良品、另一个全是缺陷，按批次划分会让验证没有正例或训练没有负例。必要时把「含缺陷的批次」作为分层键，而不是把帧打散。

分析输出一张表：每类像素占比、每图出现频率、最短边分布、标注员分歧热区。这张表进第 4.3 节做类别权重，进第 6.1 节做裁切策略。没有这张表，权重就是拍脑袋。

六、独立单元的具体例子

医学按患者而不是按切片。同一患者的相邻切片长得像，打散后验证等于看过答案。驾驶按行程或按日期块。质检按生产批次或按模具号。监控按摄像头加时间段。写不出独立单元名称，说明你还在按「张」思考，泄漏风险高。单元内帧可以增强，单元本身不跨训练验证测试三盘。

试标一致率低时的处理顺序：先改说明书里边界那一段，再改工具（画刷大小、预分割），最后才换人。换人而不改法律，下一对标注员仍会吵同样的缝。预分割模型版本必须进清单，否则「为什么这批边界都偏外一圈」无法追溯。公开集只打通读取和损失下降，产品报告必须用自有划分。

面积占比表要有「每图是否出现」列。某类只在 3 张图出现，随机划分可能让验证集看不到它，早停会把该类权重学废。分层键用「是否含该类」辅助，但仍以独立单元为先。合成数据登记生成器版本，真分布一变就要重估合成是否还配进训练集，而不是永远当免费增量。

独立单元名称写不出则不准划分。试标一致率低时先改法律再改工具最后换人。预分割版本进清单。面积表含「每图是否出现」，稀有类用分层辅助但仍以单元为先。合成生成器版本登记，真分布变了要重估。隔离目录每周清，清的是规范与读取，不是把断言调绿。数据版本加一才允许全量训练。

独立单元字段在清单里必填，空值禁止划分脚本运行。一致率流水线：法律、工具、人，三步都留下记录。预分割版本空则视为人工全画，不得事后补一个「大概是某版」。稀有类分层是辅，单元是主，脚本先按单元切再检查每盘是否含稀有类，不含则警告而不是自动把帧打散去凑。合成版本与真分布对照表每季度看一次。隔离目录周清，清完规范有 diff。数据版本加一的条件：四道测试绿、卡片放行记录在、一致率达标。缺一不加一。加一之后第 4 章才允许全量。没有依赖卡片放行的扩标，视为私自加料，权重不得进第 6 章发布。患者、行程、批次这些词必须出现在划分配置里，出现「random shuffle frames」视为违规。

反例档案：按切片随机划分，验证像训练，上线掉点。改为患者单元后数字变差但真实。结论：假好不如真差。第二份：稀有类全在训练盘，验证从未见到，早停杀死该类。分层警告加上后才发现。卡片放行记录成为扩标门禁后，私自加料进不了第 6 章。

口令卡：单元必填、法律先于人、预分割版本、稀有类警告、合成季度看、放行才加版本。帧级 shuffle 违规。私自加料拒收。患者行程批次必须出现在配置。一致率三步留痕。

划分配置出现 random 与 frame 组合即失败。单元字段空值跑不了脚本。放行记录是扩标钥匙。合成季度对照。私自加料在第 6 章拒收。法律工具人三步留痕缺一则一致率无效。

交付门禁乙

划分脚本对空单元字段直接失败。配置里若同时出现打散与帧，失败。扩标请求没有卡片放行号，失败。第 6 章接收权重时核对数据版本与放行号，缺号拒收。一致率记录缺法律或工具或人任一步，本周一致率作废。合成数据超过一季度未对照真分布，暂停合成增量。

放行号与数据版本缺一不可，少一个字都不准扩标。

划分按病人、镜头或地块，不按随机文件名。同一病人的切片进了训练又进验证，mIoU 是背题不是泛化。试标 30 对的分歧表决定规范补丁，不决定「再标 3000 张冲淡错误」。收集清单要写清分辨率、位深、是否有配准，缺字段的批次拒收。规范版本与数据版本绑定，换规范等于换数据集。

温故知新

• 说明书冻结类别与画法：改 id 等于迁移项目
• 公开集验证管线：产品口径靠自采覆盖失败模式
• 按独立单元划分：患者、行程、批次，禁止只按帧随机
• 抽检一致率：无人执法的规范会腐烂
• 占比与尺度：直接决定损失权重和裁切
• 不可分先改成像：标注救不了完全重叠的灰度

下一章用传统方法在这批数据上打基线。切不开，先回来改采集或规范。