计算机视觉 / 系统课时
制定标注规范
制定标注规范
同一张图由不同标注员处理,如果遮挡、截断、小目标和模糊目标的判断标准不一致,模型最终学到的就是互相冲突的监督信号。本节给出一套可落地的目标检测标注规则,并说明如何处理最常见的边界情况。
学习目标
- 为遮挡、截断、小目标、重叠目标和模糊目标建立统一判定规则
- 明确检测框应该覆盖的可见范围以及应当放弃标注的条件
- 用抽检和争议样本复核保证多人标注的一致性
先定义检测框的基本原则
目标检测标注最重要的原则是:框住业务定义中的目标实体,并保持所有样本采用同一种边界规则。如果项目采用可见区域标注,就只覆盖当前能看到的目标部分;如果采用完整目标估计,则需要对被遮挡区域进行推测。两种方法都可以存在,但绝不能在同一个数据集中混用。
YOLO 项目通常更适合采用可见区域或近似可见外接矩形,因为规则容易执行,也更容易多人复核。检测框应尽量贴合目标边缘,避免包含大量背景,同时不要为了“框得漂亮”而切掉明显可见的目标区域。
统一处理五类边界情况
下表可以直接作为标注规范的核心判定表,再根据具体业务补充数值阈值。
| 情况 | 建议规则 | 不应出现的做法 |
|---|---|---|
| 遮挡目标 | 目标仍可辨认时标注可见部分;无法确定类别时不标 | 不同标注员有时补全隐藏区域、有时只框可见区域 |
| 截断目标 | 目标被画面边缘截断但仍可识别时继续标注,框贴到图像边界 | 因目标不完整就一律删除 |
| 小目标 | 达到项目规定的最小可辨认尺寸且类别可确认时标注 | 只凭个人感觉决定“太小了” |
| 重叠目标 | 每个可独立识别的实例分别建立检测框 | 用一个大框包住多个同类实例 |
| 模糊目标 | 类别仍可可靠判断时标注;无法稳定判断时忽略 | 猜测类别并强行加入训练集 |

这五类情况真正需要统一的不是名称,而是判定阈值。例如“小目标”可以规定为目标宽或高低于某个像素值后仅在轮廓和类别都能确认时标注;“遮挡严重”则可以用可见比例作为辅助规则。阈值应根据实际部署分辨率确定,而不是照搬其他数据集。
处理容易产生争议的样本
有些图片即使写了规则仍会产生分歧,例如只露出半个车轮的车辆、远处几乎看不清的人影,或两个实例高度重叠的情况。此时不要让标注员自行形成不同习惯,而应建立“争议样本集”,由负责人统一裁决后把结果补充进规范。
对于无法确定类别但又明显存在物体的区域,不要随意猜标签。如果训练框架和项目流程没有专门的 ignore-region 机制,通常宁可放弃该实例,也不要把错误类别作为确定标签写入训练数据。
用质检确认规范真的被执行
规范发布后需要通过抽检验证,而不是默认所有人都会一致执行。可以从每位标注员的结果中随机抽取一批图片,重点检查框边界、漏标、多框合并、类别错误,以及五类边界样本的处理是否一致。
如果同一种情况频繁出现不同答案,问题往往不在标注员,而在规则仍然含糊。此时应修改规范、补充正反例并重新复核已有数据。最终合格的标注规范应让不同的人面对同一目标时,大多数情况下都能得到相同的类别和近似一致的检测框。