标注最佳实践

选择标注工具#

合适的工具取决于任务、团队以及训练的执行位置：

在 Ultralytics Platform 上，SAM 2.1、SAM 3 和 SAM 3.1智能标注支持 detect、segment、semantic 和 OBB 数据集。无论你选择哪种工具，都要确认它能导出任务所需的 YOLO 格式；准备自定义数据集介绍了标签格式和转换方法。

七种标签类型#

先编写标注指南#

在任何人开始绘制框之前，先编写一份包含以下五个部分的指南：

1. 类别定义：每个类别用一段话说明，包括正例、外观相似但不属于该类别的对象，以及边缘案例。
2. 绘制规则：为可见对象绘制紧贴边缘的框；多边形沿可见轮廓绘制。
3. 遮挡和尺寸规则：为部分可见对象设定一个阈值（“能识别类别就标注”），为微小对象设定另一个阈值（“标注高度超过 10 像素的人”），并在所有场景中统一执行。
4. 模糊案例记录：记录每个“这个该怎么处理？”的问题、达成一致的答案和屏幕截图。
5. 跳过哪些内容：列出此任务中不值得标注的所有对象。

配上屏幕截图的一两页说明就足够了。随后，按照以下简短流程执行，再扩大标注规模：

十种会降低准确率的错误#

以下是 Ultralytics 标注团队最常见的错误示例，图中包括叉车、人和托盘（改编自 Alexis Schutzger 的演示文稿）。将这些内容作为标注指南的首批条目。

1. 臆测对象形状。只标注你能看到的部分。这里的叉车停在人和一堆木材后面，但标注框却横跨两者，延伸到标注人员想象中卡车其余部分所在的位置。只框出可见部分。

2. 标注框不准确。标注框必须紧贴对象。这里的框切过了顶棚护架上的灯；框切掉对象的一部分，或在对象周围留出地面边距，都会让模型学到错误的范围。

3. 相似对象的标注规则不一致。左侧的框包含货叉，右侧的框却没有。模型会对同一个问题得到两种答案，因此要明确写下规则：包含货叉，还是不包含货叉。

4. 漏标。两个人站在叉车旁边，但只有一个人被框出。未标注的那个人会让模型学到“人属于背景”。

5. 类别错误。 检查类别，而不只是边界框。叉车的边界框画得正确，却被标记为 person，会同时污染两个类别；这通常是误按了键盘快捷键。

6. 空标注或多余标注。 每个标注都必须对应真实物体和真实类别。误点会留下一个几乎为空的边界框，就像这里角落里的那个；未指定类别就保存的边界框，导出时可能会被标记为 None 或类别 0。请修正或删除这些标注。

7. 边界框重复。 一个物体，一个边界框。同一辆叉车上有两个重叠的边界框，会虚增实例数量，还会让模型学会预测重复目标。

8. 指南不明确。 没有书面规则，标注人员就会自行判断：这里有个人只框出了司机的头部，并将其标记为 forklift。司机是叉车的一部分，还是单独的 person？在指南中明确说明一次。

9. 离群图像。 删除与部署场景不符的图像。叉车数据集中混入一张城市天际线照片毫无用处，还会稀释其他数据的价值。

10. 增强导致的歧义。 裁剪可能会去掉定义类别的特征，导致两个类别变得无法区分。把红桃 A 的角标裁掉后，它看起来就像标记为 unknown 的牌。谨慎使用数据增强介绍了修正方法。

衡量一致性，不要靠猜#

校准轮次会让两位标注人员处理相同的图像，并逐个比较他们的标注。两个标注类别相同且重叠率至少达到 0.5 的 IoU 时，才算一致。此脚本会在 COCO8 的 val 图像上计算分数。为了无需第二个人也能运行脚本，我们让一个预训练模型担任标注人员 B；如果你有真实团队，则从 B 的标签文件中读取边界框：

from pathlib import Path

import torch

from ultralytics import YOLO
from ultralytics.data.utils import check_det_dataset, img2label_paths
from ultralytics.utils.metrics import box_iou
from ultralytics.utils.ops import xywh2xyxy

data = check_det_dataset("coco8.yaml")
model = YOLO("yolo26n.pt")  # stands in for a second annotator; compare two label folders the same way
names = data["names"]

matched = total = 0
for image in sorted(Path(data["val"]).glob("*.jpg")):
    rows = [r.split() for r in Path(img2label_paths([str(image)])[0]).read_text().splitlines() if r.strip()]
    a_cls = torch.tensor([int(r[0]) for r in rows])  # annotator A: the dataset labels
    a_box = xywh2xyxy(torch.tensor([[float(v) for v in r[1:]] for r in rows]))
    b = model(image, conf=0.5, verbose=False)[0].boxes  # annotator B: confident model proposals
    iou = box_iou(a_box, b.xyxyn)
    used = set()
    for i in range(len(rows)):  # pair each A object with the best unused same-class B box at IoU >= 0.5
        ok = [j for j in range(len(b)) if j not in used and b.cls[j] == a_cls[i] and iou[i, j] >= 0.5]
        if ok:
            used.add(max(ok, key=lambda j: iou[i, j]))
        else:
            print(f"{image.name}: {names[int(a_cls[i])]} labeled by A only")
    for j in set(range(len(b))) - used:
        print(f"{image.name}: {names[int(b.cls[j])]} labeled by B only")
    matched += len(used)
    total += len(rows) + len(b) - len(used)

print(f"agreement: {matched}/{total} objects = {matched / total:.0%}")

000000000049.jpg: person labeled by A only
000000000049.jpg: person labeled by A only
000000000049.jpg: potted plant labeled by A only
000000000049.jpg: person labeled by A only
000000000049.jpg: person labeled by A only
000000000049.jpg: person labeled by A only
000000000061.jpg: person labeled by A only
000000000061.jpg: elephant labeled by A only
000000000061.jpg: person labeled by A only
agreement: 8/17 objects = 47%

如何解读：

• 分数是匹配的物体数除以任一标注人员绘制的物体总数：17 个中匹配了 8 个。
• 分歧集中在少数地方。 9 个分歧都出现在两张图像中，而且大多数是占画面不到 1% 的人物。这不是 9 个随机错误，而是缺少一条规则：远处的人物要不要标注？
• 解决办法是添加一条指南规则，例如“在 640 像素图像中，标注所有高度至少为 10 像素的人物”。两位标注人员重新标注这两张图像，然后再次测量分数。

决策规则：只有一致性达到 90% 才扩大标注规模。 低于这个比例时，每增加一位标注人员都会加剧不一致。

用智能标注加快进度#

智能标注可以让 YOLO 模型或 SAM 提出标签，再由人工接受或修正，从而将吞吐量提高数倍。分轮次启动：先用审核过的一批数据训练，再用该模型为下一批数据提出标签，审核后重新训练。这就是主动学习循环；智能标注和批量标注会在 Ultralytics Platform 上演示整个流程。

亲自检查#

每次 Ultralytics 训练都会在运行文件夹中生成 labels.jpg 和 train_batch*.jpg。第一个文件会绘制类别数量以及边界框的位置和尺寸；其他文件会显示绘有标签的真实训练图像。首个 epoch 结束前就打开这些文件。人的眼睛能发现指标永远发现不了的问题：画在阴影上的边界框、互换的类别 ID，以及没有闭合的多边形。