深度学习标注原则及细则

## 一、数据集类别数量均衡衡原则

概述：在深度学习标注中在多个类别的时候，各个类别的数量不能差别太大，一般不得低于高数量类别的1/2。但可以根据具体情况，如果某一类别的数量在整个数据集中实在过少，则尽量多标。

示例：如没有数据集中，假设数据集的数量足够，需要标注A、B、C、D、E五个类别，假如A的类别标了100个那么B类别不得低于50个，相应的C、D、E也不得低于50个。假如说E的数量不足50个，那么尽可能的多标。

## 二、特征、空间相异原则

概述：在数据标注中，可根据需标注目标的特征差异来区分类别，也可根据目标的空间位置不同来区分类别

示例:

1.根据特征差异来区分类别，下图中各个类别之间存在较明显的差异

![](/media/202512/2025-12-18_082759_1396970.8119583259718262.png)
2.根据目标空间位置来区分类别，如下图取螺丝和手握电批位置特征相同，但位置不同

## 三、目标临近及相同应都标注

概述：当所选标注的目标周围有特征相近、相同的目标物时都应标注。标注时可标注为同一类别，根据实际需要如需要区别划分根据位置的差别也可标注为不同类别。这样可避免在识别时相邻目标因未标注训练而产生误识别，从而影响识别效果。也可避免训练时的识别歧义而影响训练的结果。

示例：如下图，产品a-盖子、产品b-盒子、手的位置，如果只标注产品a-盖子，会导致旁边的盒子也可能会识别成产品a-盖子，也可能会时有时无的识别。对于手的位置，如果只标注了右手，那么在识别时左手也可能会识别到，也有可能右手没识别到而识别到了左手，还有就是在他们在相临近时出现一起识别的情况。
![](/media/202512/2025-12-18_082950_6206710.7492514900176626.png)

四、多类别区分原则

概述：在复杂情景中，应尽可能多区分一些类别出来。这样可以尽可能避免识别混乱

示例1：如下图如果不标注无产品和打螺丝的位置，可能会把原本无产品的位置识别成有产品，把原本打螺丝的位置识别成手的位置。

![](/media/202512/2025-12-18_083000_6544950.47726674248188516.png)

示例2：如下图，在项目中需要的是左图中的识别目标，如果在整个识别过程中右图中如果不标注，在识别运行过程中有可能会识别成左图中的有泡沫检测，为了避免在流程运行中因识别错误而导致的运行错误，因此标注一个像右图中的有产品箱子

## 五、紧贴目标边缘原则

概述：边界框的四边应尽可能地紧贴目标物体的最外缘，既不能留出过多空隙，也不能切掉目标的一部分。

示例：如下图，左图标签扫描可以确定只需识别扫描枪即可，但标注的紫色框已严重超出扫描枪的范围，在这个矩形框中出现了大量的冗余特征，导致模型学习了大量无关特征，当出现这些无关特征类似的情景时，会出现错误识别（下图右）。下图左红色框为正确标注。

## 六、独立标注原则

概述：每个识别目标都应该单独标注，不能因为省事而集中标注，更不能因为两个目标间相互接触而标注在一起。也不可因为有个目标在一个大目标中而不进行标注。

示例1：如下图，在标注有产品时，应当对每个产品都进行标注，而不是因为三个产品在一起而进行总体标注（如下图红色框）。还有就是根据项目需求需求目标都应标注时，有产品这个目标在治具位置这个目标中而不标注有产品，这是不行的。

![](/media/202512/2025-12-18_083234_0439630.27378758349145393.png)

示例2：如下图，当识别手的位置时不应像蓝色框的位置总体标注，而应该像红色框的位置单独标注

![](/media/202512/2025-12-18_083248_2749070.985847296383417.png)

## 七、遮挡处理策略

**轻度遮挡（<30%）：框选可见部分，忽略遮挡区域；**

**中度遮挡（30%-80%） ：框选完整轮廓（需人工脑补缺失部分）；**

**重度遮挡（>80%）：不标注**

## 八、标注一致性原则

概述：每个边界框都必须对应一个正确的类别标签。确保你的类别列表是互斥且覆盖全面的。同一个物体在不同图像中必须被标注为同一个类别。在规定的类别范围内，图像中所有应该被检测的目标都应被标注，无论其大小、清晰度或是否被遮挡。

## 九、明显特征优先原则

概述：从肉眼入手，观察需检测的目标轮廓清晰、显眼，在整个数据集当中形状足够单一，就选定这个目标进行标注。

示例：如下图，需要识别标签扫描的情况，如果选择紫色框内特征作为目标标注，会显得特征不够明显，因为手的形状是不固定的，且位置也在随时变化，因此选择红色框中特征作为目标进行标注更为合理。

![](/media/202512/2025-12-18_083316_1350620.448589661158985.png)

## 十、同目标单一标注原则

概述：在标注时，如果所选目标是同一个位置或者目标位置偏移很小且特征相似度很大，不得重复标注，也不得在同一个位置标注为不同类别。

示例1：如下图前壳扫描和组件扫描位置偏差不是很大，几乎在同一个位置，且特征的相似度也比较高，这就造成了同一位置相似特征重复标注，虽然特征有所区别，但在识别时也会有一定概率产生误识别（如组件扫描识别成前壳扫描），但如果数据量足够多，识别错误的概率会大大降低，但依然无法避免误识别的情况。

示例2：如下图同一个目标出现重复标注的情况，这个是不允许的。

![](/media/202512/2025-12-18_083403_0113240.35768693650739725.png)

## 十一、无漏标、无选择性标注原则

概述：逐区域检查图像，不遗漏任何可识别目标（包括边缘目标、小目标、重叠目标）。低光照、逆光、模糊场景中的目标，只要主体轮廓可识别，必须标注（增强模型鲁棒性）。总体来说不得出现错标、漏标、选择性的标。

示例1：下图所示右图相对于左图漏标了夹具位置

实例2：下图右图相对于左图，夹具位置出现了错标的现象，本来应该是夹具位置，错标成了治具位置

## 十二、完整目标标注优先原则

概述：当所选目标出现遮挡，应该以不遮挡时的轮廓标注，而不能只标注不遮挡的部分。

示例：如下图，需识别治具，应当以红色标注框为准，而不是黄色框

![](/media/202512/2025-12-18_083500_4184410.19235375394574716.png)

## 十三、模糊目标处理策略

轻度模糊（轮廓可辨）：正常标注，边界框贴合可见轮廓。

中度模糊（轮廓模糊但类别可辨）：标注边界框，类别标注准确，不额外标注 “模糊” 属性。

重度模糊（类别无法确认）：放弃标注。

点击此处跳转到对应的中文说明书文章页:&nbsp;[Deep Learning Labeling Principles and Details](/doc/670)