给AI项目标注数据：标签规则要先写清楚

收集好数据，下一步是给每条数据打上标签：这张照片是“有病斑”还是“健康”，这段录音是“咳嗽”还是“说话”。看起来很简单，但标注过程中会遇到大量模糊的情况。如果标签前后不一致，模型就会学得一团糟。

先写标签规则

开始标注之前，先写一份标签规则，说明每个标签的定义和判断标准。以“叶片是否有病斑”为例：

规则越具体，标注越一致。

处理模糊的样本

标注时一定会遇到难以判断的样本：斑点很小、只是叶片边缘有点发黄、光线导致颜色看起来不一样。处理方法：

1. 设立“无法判断”类别，把实在不能确定的样本放进去，不参与训练。
2. 遇到新的模糊情况，补充到标签规则里，例如“叶片边缘枯黄但叶面无斑点，标为健康”。
3. 规则修改后，回头检查之前标注的同类样本，统一修改。

多人标注时怎样做到一致

如果和同学一起标注，每个人的判断标准可能不一样。可以这样做：

1. 所有人先阅读标签规则。
2. 选20张样本，每个人独立标注。
3. 比较大家的标注结果，统计一致的比例。
4. 对不一致的样本讨论，统一意见并完善规则。
5. 一致率较高以后，再分工标注剩下的数据。

在报告中可以写上“两人独立标注20张样本，一致率为90%，对不一致样本讨论后修订了规则”，体现标注过程的严谨。

标注后的质量检查

全部标注完成后，随机抽查一部分样本，检查标注是否正确。发现错误要修改，并看看是不是规则本身有问题。

还可以检查各类别的数量是否大致平衡，如果某一类特别少，可能需要补充数据。

记录标注过程

标注过程要记录在案：

• 标签规则的最终版本，以及修改过哪些地方。
• 每类的样本数量，有多少被标为“无法判断”。
• 标注人员和一致性检查结果。

这些记录写进报告，能说明数据是经过认真处理的。

标注也是理解问题的过程

标注数据时，学生会仔细观察每一张图片，往往会对研究对象有新的认识。比如标注叶片病斑时，可能发现病斑通常先出现在老叶上，这个观察本身就可以成为项目的一个发现。把这些观察记下来，会让项目内容更丰富。