GLOSSARY 术语表
数据标注术语表:26 个常用概念
按标注类型、模型训练与质量评测分组,每条给出可独立引用的定义。找不到的词,可以直接问我们。
一句话回答
数据标注是把原始数据转成模型可学习标签的过程;常用术语集中在三类:标注形态(框、分割、关键点、3D 框)、模型训练(SFT、RLHF、偏好数据)与质量评测(黄金集、一致性、仲裁)。
通用与流程
- 数据标注Data Annotation / Labeling
- 给原始数据(图像、文本、语音、视频、点云)附加结构化标签的过程,让机器学习模型能够从中学习规律。
- 人工标注Manual Annotation
- 由人依据标注规范对数据打标,区别于模型预标注与自动规则生成,通常用于需要语义判断的任务。
- 标注规范Annotation Guideline / SOP
- 定义类别含义、边界判定、正反例与冲突处理顺序的文档,是保证多人标注一致性的前提。
- 仲裁Adjudication
- 对分歧样本由更高一级人员依据规范做出最终判定,并将结论回写规范。
- 预标注Pre-annotation / Pre-labeling
- 先用模型生成初始标注,再由人工修正,可显著降低跟踪与分割类任务的人力成本。
- 难例挖掘Hard Example Mining
- 筛选模型预测置信度低或损失高的样本优先标注,提高单位标注量的训练收益。
图像与点云
- 2D 框标注Bounding Box
- 用矩形框住目标的外接范围,是最常见的检测类标注形式,成本低但无法表达精确轮廓。
- 语义分割Semantic Segmentation
- 按像素给图像分类,同类目标不区分个体,用于区域理解如路面、建筑、植被。
- 实例分割Instance Segmentation
- 在像素级分割的基础上区分同类目标的不同个体,适合密集堆叠与计数场景。
- 关键点标注Keypoint Annotation
- 标出目标上具有语义意义的点位(关节、角点、中心),用于姿态估计与定位。
- 3D 立方体标注3D Bounding Box
- 在点云中标注目标的长宽高与朝向角,是自动驾驶感知训练的核心标签。
- 点云分割Point Cloud Segmentation
- 对激光雷达点云逐点分类或聚类,输出三维空间的语义结构。
视频与语音
- 多目标跟踪Multi-Object Tracking (MOT)
- 在连续帧中维持每个目标的唯一身份,输出带 ID 的轨迹。
- 跨帧一致性Temporal Consistency
- 同一目标在相邻帧之间的标注结果保持连贯,不出现身份跳变或框体抖动。
- 语音转写Transcription
- 把音频内容逐字转为文本,通常附带时间戳与说话人信息。
- 说话人分离Speaker Diarization
- 识别一段音频中有几个说话人,并标出各自发言的时间区间。
文本与大模型
- 命名实体识别NER
- 从文本中抽取人名、机构、地点、时间、金额等具有特定意义的实体。
- 情感分析Sentiment Analysis
- 判断文本表达的情绪倾向(正/负/中性)或更细的情绪类别。
- SFTSupervised Fine-Tuning
- 用人工撰写的高质量问答对对大模型做监督微调,使其遵循指令风格。
- RLHFReinforcement Learning from Human Feedback
- 用人工偏好判断训练奖励模型,再以强化学习优化大模型输出。
- 偏好数据Preference Data
- 对同一输入的多个输出做排序或打分形成的数据,是 RLHF 与 DPO 的训练基础。
质量与评测
- 黄金集Golden Set
- 带标准答案的小规模评测集,用于日常抽检标注质量与培训考核。
- 盲测集Blind Test Set
- 标注者与模型都未见过的评测集,用于客观验收模型或供应商的真实水平。
- 标注者一致性Inter-Annotator Agreement (IAA)
- 多个标注员对同一批数据判断的一致程度,衡量规范是否清晰、任务是否可执行。
- Cohen's KappaCohen's Kappa
- 排除随机一致后的一致性统计量,常用于两名标注员之间的分类任务评估。
- 数据脱敏De-identification
- 移除或替换数据中的个人身份信息与敏感内容,降低合规风险。
NEXT
把术语落到具体项目上
概念清楚了,下一步是确认你的任务属于哪一类。
NEXT STEP
不确定你的任务叫什么?
描述一下数据长什么样、要模型学会什么,我们帮你对齐术语与方案。