矩视智能 AI软件 标注技巧（无需license）

常见的标注错误（www.nb-ai.com）

数据是模型的基础。根据我们的实际经验，模型准确度低，90%原因是标注有问题。

如下列出了常见的标注问题，希望读者能结合自己的项目数据情况，改进标注方式。

错误1：不同视觉样式的缺陷，统一标为一个“缺陷”标签

不关心缺陷的种类，只要识别出缺陷就行。这样为了人工方便，将各种不同样子的缺陷，都标为一个标签“缺陷”。这种方式可以成功地让模型“困惑”，从而达到无法识别缺陷的目的。

正确做法：

无论是否关心缺陷的种类，也需要根据视觉上的差异化，将缺陷进行分类，比如分为划痕、坑洞等打上不同的标签。

以下图检测纸箱缺陷为例，针对不同视觉样式的缺陷，给了不同的标签分类。不同视觉样式给不同标签分类可以明显提升模型识别效果。

错误2：一张图中缺陷比较多，只标注一部分缺陷，其他的懒得标了

一张中标注的部分和未标注的“背景”部分，都会输入到模型进行训练。由于一部分本来是缺陷的，但是没有标注，所以相当于告诉模型“这不是缺陷”，从而又让模型“犯迷糊”了：长得差不多为什么有的是缺陷，有的就不是呢？

正确做法：

一张图中的缺陷，应标尽标。如果实在太多，懒得标，那么使用平台的标注页面的“屏蔽区域”功能，将不想标注的覆盖起来。 总体说来，如果目标样式比较一致，累计标注目标应该大几十个可以尝试看看。

下图是对钢管进行标记，要遵循“应标尽标”原则。

错误3：“这些算不算是缺陷呢？有些点模棱两可，不管了，让模型去判断吧”

人工对于一个缺陷标注不明确，标注的时候就会“尺度”不一，从而模型在训练的时候，也会成功的被搞晕，和人工一样不明确。

正确做法：

人工一定要实现对于缺陷标准定好一个尺度，特别是多人标注同一个数据集的时候。只有按统一的尺度标注，模型才会得到一致的训练。

错误4：用一个大于目标的框把缺陷标出来

大框里面包括了缺陷目标，以及很多背景部分，这样同样会让模型在使用锚框定位缺陷的时候混淆目标和背景，从而降低模型识别准确率。

下面是一个错误的标注示例。图片标注的“穿刺破洞”和“划痕破洞”区域都明显大于实际缺陷的区域。这样标注会使模型训练不佳。

正确做法：

应该用恰好框取目标的、大小合适的矩形框（对于目标定位）或者是多边形（对于像素分割）将缺陷目标圈选标注。

正确的标注示例应该如下图所示：

根据测试结果优化标注

当在平台上完成模型测试后，有时候会在“已测试”图片中看一些目标标签没有被正确的识别。这通常是由于标注图片中样本不够丰富、在测试图中出现了新的目标样式。这正是丰富标注数据类型、提升模型适用能力的好机会！

您可以通过“测试结果转标注”功能，将测试图片转为标注图片。具体流程如下：

1.检查已测试的图片，对其中识别有问题的标签，或者漏检的标签，进行手动的重新标注。

选择标注工具，第一次点击图片尝试标注的时候会提示，点击确认。

2.重新标注后点击保存即可。