一、四个任务，四种问法

分类问的是「这张图里有什么」。输出一个标签，回答最粗的问题。 目标检测问的是「有什么、在哪」。输出若干个矩形框加类别。 关键点问的是「某个部位在哪」。输出一组坐标加语义（左眼、右肩）。 语义分割问的是「每个像素属于什么」。输出一张和原图同尺寸的类别图。 它们是四个不同的问题，不是四个精度档。用分割去回答「有没有行人」， 等于为了一个是非题去描一遍人的轮廓——精度没多出来，成本涨了一百倍。 所以选型的第一步永远是问业务：你拿到结果之后要做什么？要报警，分类够了；要画框标记，检测； 要算面积，才轮到分割。

二、成本差一个数量级

Demo 按「每图耗时 × 每目标数 × 图数」算了一遍人工成本，单价取 30 元每小时：

三、按业务选，不按精度选

四句话可以当决策树用： 只要判断有没有 → 分类。 有没有安全帽、有没有裂纹、是不是垃圾邮件。 不需要知道位置，就不要花那个钱。 要知道在哪 → 检测。 要画框、要计数、要触发区域报警。 要知道形状或面积 → 分割。 病灶面积、路面破损占比、农作物长势。 要知道姿态或结构 → 关键点。 人脸对齐、人体姿态、屏幕四角矫正。 还有一条现实约束：下游模型支持什么。你要用现成的检测模型，标了分割也用不上； 要跑端侧小模型，分割的精度也保不住。标注类型和训练方案要一起定。

四、两个容易被漏掉的成本

返工率。 任务越复杂，标错和返工的比例越高。分类标错了看一眼就知道； 分割的一个像素描偏了，可能要整张重来。上面那张成本表还没算这一项。 一致性成本。 分割和关键点对「标在哪」的歧义大得多——边界算毛边还是算实体、 关节算骨点还是算皮肤表面。歧义大就要写更厚的手册、做更多轮对齐，这些都是隐性工时。 所以真实项目里的经验值是：把 Demo 那张表的数字乘 1.5 到 2 倍当预算。乘上去之后还划算， 这个任务类型才值得上。 反过来，如果乘完发现不划算，还有一个降级方案： 先做粗标注（检测），用模型跑一遍，再让人修。这叫预标注，能把工时压掉一半以上。

五、动手 Demo：1000 张图：分类 0.8 小时，分割 83.3 小时，差 100 倍

按「每图每个目标的耗时 × 每图目标数 × 图数」估算四种任务的总工时，再乘人工单价算钱。 单价取 30 元每小时，规模取 1000 张图、每图 4 个目标。

tasks = [
    (u'图像分类',   u'整图一个类',   3.0, 1.0),
    (u'目标检测',   u'框出每个目标', 45.0, 4.0),
    (u'关键点标注', u'标出关键部位', 40.0, 3.0),
    (u'语义分割',   u'每个像素归类', 300.0, 1.0),
]

total_s = sec_per * cnt * n_img
hours = total_s / 3600.0
print(hours, hours * rate)

实跑输出：

--------------------------------------------------------------------
选任务类型：分类、检测、分割，成本差一个数量级
--------------------------------------------------------------------
  规模                     1000 张图
  人工成本                 30 元／小时

  任务类型     要标什么       每图耗时      总工时    人工费
  ---------------------------------------------------------
  图像分类     整图一个类         3 秒    0.8 小时     25 元
  目标检测     框出每个目标     180 秒   50.0 小时   1500 元
  关键点标注   标出关键部位     120 秒   33.3 小时   1000 元
  语义分割     每个像素归类     300 秒   83.3 小时   2500 元

  **同一批 1000 张图，最省的要 0.8 小时，最贵的要 83.3 小时——差 100 倍。**
  钱也跟着差：从 25 元到 2500 元。

  所以选任务类型的第一原则不是「哪个精度高」，是**「业务到底需要多细」**：
  只要判断有没有           分类就够，别上检测
  要知道在哪               才需要检测框
  要知道形状、面积         才需要分割
  **多标一级，成本翻十倍，而业务往往用不到那一级的信息。**

  还有一笔隐形成本：**返工率**。任务越复杂，标错和返工的比例越高。
  分割的返工率通常是分类的好几倍——**上面那张表还没算这一项。**

表里四行，总工时从 0.8 到 83.3 小时。 最贵的比最便宜的差 100 倍——这个倍数不是我凑的，是「每图 3 秒」和「每图 300 秒」直接除出来的。 钱也一样：25 元对 2500 元。 1000 张图的规模下，这个差距还能接受；十万张图就是 2500 元对 25 万元。 检测那一行是 180 秒：4 个框乘 45 秒。 所以检测的成本跟目标密度挂钩——同样 1000 张图，街景和室内能差十倍。 关键点 120 秒、分割 300 秒这两个数是按经验给的，不同团队差异很大（有人用半自动工具能压到一半）。 这张表要看的是量级关系，不是绝对数。 最后一句话是这一节的重点： 多标一级，成本翻十倍，业务往往用不到。先把「拿到结果要干什么」问清楚，再选类型。

30 秒实验

1. 把每图目标数从 4 改成 12（密集场景），看检测的成本涨到多少。这就是「按图报价」会亏的原因。
2. 把语义分割的每图耗时从 300 秒改成 120 秒（用预标注加人工修），看它还比检测贵多少。 这就是降级方案的价值。
3. 把人工单价从 30 元改成 80 元（专业领域标注），看总价怎么变。 医疗、法律这类需要专业背景的标注，单价能差三五倍。

常见误区

1. 「精度越高越好，直接上分割」。分割成本是分类的上百倍，而业务往往只需要「有没有」。 先问用途，再选类型。
2. 「按每张图报价」。检测的成本跟目标密度强相关，密集场景按图报价必亏。要按框报。
3. 「成本表算出来就是预算」。返工率和一致性成本都没算，真实预算要乘 1.5 到 2 倍。

类型定了，接着就是定义标签。这一步看着只是敲几个字，实际上是在定一份契约。

• ☐ （本节完，下一节 4.2.2 创建和添加自定义标签）

相关笔记

• 🧠 AI训练师手册2 · 索引