一、标签体系是一份契约

标签列表看起来只是个词表，实际上它规定了三件事：哪些东西要标、同一个东西叫什么、边界在哪里。 这三件事只要有一条不清楚，两个标注员就会标出两套数据。 而模型拿到的是这两套混在一起的结果——它会学到一个混乱的边界。 所以标签体系要满足四条：互斥（一个目标只能属于一类）、穷尽（该标的都有类可归）、 同层（「汽车」和「货车」不该并列）、可判定（两个人看同一张图能得出同样结论）。 四条里最容易破的是第四条。「什么算行人」——远处三像素的人算不算？被遮住一半的算不算？ 照片里的海报上的人算不算？这些必须写进手册，不能靠「你懂的」。

二、四个毛病，能自动查的自动查

毛病一：大小写和拼写变体。 Demo 里 car 和 Car 同时存在，合并前 16 类、合并后 15 类。 模型会把它们当成两个完全不同的类，各学一半样本。 毛病二：同义标签。 「汽车」和「车」、「货车」和「卡车」、「行人」和「人」。 字面不同，意思一样。 麻烦在于字面相似度低的恰恰最危险：「汽车」和「车」只有 0.67，「摩托」和「摩托车」有 0.80。 按相似度排序，最该合并的排在后面。所以这一类只能靠人看，机器查不准。 毛病三：层级重叠。 「汽车」包含「货车」，它们就不该是并列标签。 查法是问一句「X 是不是一种 Y」，是就冲突。 毛病四：长尾标签。 Demo 里 16 个标签有 8 个出现不到 20 次，合计只有 55 个框、占 4.4%。 这些标签的标注成本一样花，对模型的贡献接近于零。

三、长尾标签怎么处理

两个办法，没有第三个：合并进父类，或者删掉。 「轿车」12 个框、「车」8 个、「car」3 个——这些全部并进「汽车」，从 4 个类变成 1 个类， 样本从 23 个变成 443 个。 「路面」只有 2 个框，而且它跟「交通标志」在语义上没什么关系——直接删掉， 或者归到一个「其他」类里，且不参与评估。 判断标准很简单：这个类如果只有十几个样本，模型学不会；学不会的类，在评估里只会拉低总分。 留着它唯一的用处是让报告难看。 有一个例外：如果这个类业务上极重要（比如「安全帽未佩戴」），样本少也要留， 但要做定向补采——去现场多拍，而不是靠现有数据硬撑。

四、在 MakeSense 里建标签

📋 实操清单（要在浏览器里点，沙箱里做不了）： 第一步，打开 makesense.ai，点 Get Started，把图片拖进页面。 第二步，左侧面板就是标签区。 点「Create new label」逐个添加，每个标签会自动分配一个数字快捷键（1 到 9，再往上是 0 和字母）。 第三步，标签名一律用英文小写加下划线（traffic_light 而不是 Traffic Light）。 理由是导出到 YOLO 等格式时，中文和空格经常出问题。显示用中文可以另设，但键名要干净。 第四步，同一批数据里标签顺序定了就别改。 因为 YOLO 导出的是类别序号，不是类别名——顺序一变，之前导出的数据和之后的就对不上。 🐍 沙箱等价物：标签表的四个毛病用代码查，见 Demo。 其中大小写合并和长尾统计是纯字符串和计数，这两项能全自动查出来，一个脚本跑一遍就够。

五、动手 Demo：16 个标签里 8 个是长尾，合计只占 4.4% 的框

造一份 16 个标签、16 张图累计 1255 个框的标注统计，逐个查四类毛病：大小写变体、同义标签、 层级重叠、长尾标签。大小写和长尾两项用代码自动查，同义和层级靠人工判断。

# 毛病一：大小写／拼写变体（自动查）
var = {}
for t in raw:
    var.setdefault(t.lower(), []).append(t)
bad = [(k, v) for k, v in var.items() if len(v) > 1]

# 毛病四：长尾标签（自动查）
rows = []
for t in raw:
    if use[t] < 20:
        rows.append([t, u'%d' % use[t]])

# 毛病二：同义标签（只能人看，机器给个参考值）
difflib.SequenceMatcher(None, u'汽车', u'车').ratio()

实跑输出：

--------------------------------------------------------------------
标签体系：四个毛病，全都能自动查出来
--------------------------------------------------------------------
  标签总数                 16 个
  标注总数                 1255 个框

  第一个毛病：大小写和拼写变体。
    car → car／Car
  **同一个东西写成两种，训练时会被当成两类。** 合并前 16 类，合并后 15 类。

  第二个毛病：同义标签（字面不同、意思一样）。
    汽车 与 轿车，字面相似度 0.50
    汽车 与 车，字面相似度 0.67
    货车 与 卡车，字面相似度 0.50
    行人 与 人，字面相似度 0.67
    摩托 与 摩托车，字面相似度 0.80
  **字面相似度低的恰恰最危险**——「汽车」和「车」只有 0.67，但它们是同一个东西。**
  这类问题只能靠人看，机器查不准。**

  第三个毛病：层级重叠。
  「汽车」包含「货车」吗   包含。那它们就不该是并列标签
  怎么查                   问一句「X 是不是一种 Y」，是就层级冲突
  同类问题还有「交通标志」和「红绿灯」——红绿灯算不算标志？
  **必须二选一写进标注手册，否则两个人会标成两样。**

  第四个毛病：长尾标签。
  标签     出现次数
  ----------------
  轿车           12
  车              8
  car             3
  Car             2
  卡车            9
  人             15
  person          4
  路面            2
  16 个标签里有 8 个出现不到 20 次，合计只有 55 个框——占全部的 4.4%。
  **这 8 个标签的标注成本一样花，但对模型的贡献接近于零。**
  处理办法只有两个：合并进父类，或者干脆删掉。**别留着。**

第一段输出很直接：car 和 Car 被当成两个标签。合并前 16 类、合并后 15 类。 这一类错误一个 .lower() 就能查出来。 第二段是相似度参考值：「汽车」对「车」0.67、「摩托」对「摩托车」0.80。 最该合并的那一对，相似度反而最低——所以这一项不能按阈值自动合并，只能当提示，人来定。 第三段是长尾： 8 个标签出现不到 20 次，合计 55 个框，占全部的 4.4%。这个 4.4% 是最有说服力的数—— 八成标签只贡献了不到二十分之一的样本。 那句「标注成本一样花，对模型的贡献接近于零」不是夸张。 每个标签都要定义、要写手册、要在培训里讲一遍，这些固定成本跟样本量无关，全都摊在那 4.4% 上了。 要说明一点：这里的次数分布是我按真实数据集的样子设的，不是从某个公开数据集抓的。 要学的是查的方法和判断标准，不是这几个数。

30 秒实验

1. 把 car 和 Car 合并之后重算总类数，再算每一类的框数占比。 你会看到「汽车」从 420 变成 425，而「Car」这一类的独立意义消失了。
2. 把长尾里 5 个标签合并进父类，再算一遍长尾数量。 从 8 个降到 3 个，剩余长尾的框数占比从 4.4% 降到 1% 以下。
3. 加一条自动检查：标签名里有没有空格、大写、中划线。这三样在导出到 YOLO 或 CSV 时都会出问题。 一条正则就能拦住。

常见误区

1. 「标签名字随便写，反正导出时会转」。YOLO 导出的是类别序号，顺序一变，之前的数据就对不上。 键名要干净，顺序要固定。
2. 「多余的小标签留着以后可能有用」。样本不到二十个的类，模型学不会，还会拉低整体评估。 要么合并，要么删。
3. 「同义标签可以按相似度自动合并」。最该合并的那一对相似度往往最低（「汽车」和「车」只有 0.67）。 这一项必须人工判断。

标签定好了，可以真开始画了。下一节看「画得准不准」怎么量化。

• ☐ （本节完，下一节 4.2.3 给图像数据打标）

相关笔记

• 🧠 AI训练师手册2 · 索引