计算机视觉 / 系统课时
设计检测类别
设计检测类别
检测类别决定模型最终能回答什么问题。本课将从业务目标出发,建立类别清单、边界说明和统一标注规则,使不同标注人员面对同一张图时能够作出一致判断。
学习目标
- 能从业务结果反推真正需要检测的对象
- 能识别类别重叠、粒度不一致和视觉不可分的问题
- 能编写可执行的类别定义与标注原则
从业务结果反推类别
先写清模型输出将被谁使用、触发什么动作,再决定类别。若业务只需要统计车辆总量,设置一个 vehicle 类即可;若后续要分别调度小客车、货车和公交车,就应拆成 car、truck、bus。类别越细,数据量和标注难度越高,不能只追求名称丰富。

类别名称应稳定、简短并使用统一语言,避免同时出现 car、小汽车、sedan 这类同义词。还要确认目标在图像中确实可见;如果两个类别只能依赖订单信息、声音或人工经验区分,就不适合仅靠图像检测完成。
写清类别边界
每个类别都要回答“包含什么、排除什么、模糊样本怎么办”。以道路车辆为例,truck 可以包含厢式货车和自卸车,但是否包含皮卡必须提前决定;bus 是否包含七座商务车,也不能留给标注人员临场判断。
| 项目 | 应写清的内容 | 示例 |
|---|---|---|
| 正例范围 | 哪些外观和状态属于该类 | 停驶、行驶中的公交车都标为 bus |
| 排除范围 | 容易混入但不属于该类的对象 | 七座商务车不归入 bus |
| 困难样本 | 遮挡、截断、远距离时如何处理 | 只露出少量车身且无法辨认时忽略 |
| 框选范围 | 框住整体还是局部 | 框住可见车身,不包含大面积阴影 |
类别之间应尽量互斥,粒度也要一致。不要把 car、red_car、truck 放在同一层级,因为颜色属性与车辆类型不是同一种划分方式。确需同时识别类型和属性时,应考虑分阶段模型或额外属性任务。
用试标验证规则
正式标注前,先抽取一小批覆盖正常、遮挡、远距离和边界案例的图像进行试标。让至少两名标注人员独立处理,再对比冲突点;高频分歧通常说明类别定义不够清楚,而不是标注人员“不认真”。
类别规范至少应包含类别编号、英文名称、中文解释、正例、反例、框选范围、忽略条件和典型边界案例。修改规则后要记录版本,并同步修订已完成的样本,避免同一数据集中同时存在两套标准。
完成试标后,用业务验收问题检查类别设计:模型输出是否能直接支持后续决策,类别是否能从画面稳定区分,边界样本是否有唯一处理方式。三项都满足,再进入大规模采集和标注。