给一张街景图框出所有中卖骑手数据实战ams.abg9868.net，我盯了一下午，眼睛发酸，最后漏掉三个戴头盔的。数据标注 AI 项目最常见的翻车点。就藏正在那种边沿案例里，跟算法先不前辈没太年夜关系。标注员理解的标注不翻“骑手”和你界说的“骑手”，差一个字，模子教到的就是两回事。脱手前先写划定规矩，不要嫌省事了。
好比“遮挡逾越70%的目划定的要不要标”“夜间反光招致轮廓恍惚算不算”。拿20张典范图做试标，三小我独立标，算一下分歧性了。
低于90%就回炉改划定规矩，不要急着铺量。我见过一个车道线项目，划定规矩里没写“实线断裂处可否连接”的，规矩功效三批标注员给出三种谜底。模子正在直道间接压线了。工具上。CVAT、Label Studio 都够用了。把预标注接进来能省时间，用豆割模子先跑一遍，人工只建边沿。实测一个5000张的医疗影像项目写细，预标注加人工建正比纯手工快三成阁下。预标注毛病解感染，必须按10%比例抽检了。
抽检不是走过场，要盯着那些模子置疑度低的图。量检别只看精确率。交叉标注算 Kappa 系数。低于0.8就申明划定规矩或培训有成绩的。
把 bad case 截图丢进共享文档，每周开一次15分钟对齐会了。标注员不是机械，他们标自己熟悉的场景，效率和量量都市好一截。数据标注 AI 的瓶颈历来不是人手不够，是办理颗粒度太粗。模子上线后继绝汇集实正在误判，回流成新标注任务，那个闭环转起来。比换更贵的标注团队管用。
我的判断，全主动标注如今只能做加快器，做不了裁判。
