一、保持标注一致性 #

• 制定明确的标注规则手册：针对每个类别定义清晰的标注标准，比如：
  • 边界框：必须是目标的最小外接矩形，不能包含无关背景，也不能遗漏目标边缘
  • 分割多边形：需精确贴合目标像素级边缘，对于模糊边缘需统一标注规则（如取视觉可见的最外层）
• 统一标注工具：全团队使用同一工具（如CVAT、Labelme），避免不同工具导出格式差异导致的一致性问题
• 建立标注示例库：为每个类别提供5-10张标注规范的样本，作为标注员参考基准
• 批量校验类别一致性：用脚本遍历COCO标注文件，检查所有annotation的category_id是否在预设的合法ID列表内，防止错标类别

  import json
  
  def check_category_consistency(coco_json_path, valid_category_ids):
      with open(coco_json_path, 'r') as f:
          data = json.load(f)
      invalid_anns = []
      for ann in data['annotations']:
          if ann['category_id'] not in valid_category_ids:
              invalid_anns.append(ann['id'])
      if invalid_anns:
          print(f"发现无效类别标注，标注ID：{invalid_anns}")
      else:
          print("类别标注一致性校验通过")
  

二、验证标注质量 #

• 自动校验脚本：
  • 用pycocotools验证COCO格式合法性：检查标注文件的结构完整性、图像与标注的对应关系
  • 自定义校验逻辑：检查bbox是否超出图像范围、分割多边形是否闭合且面积合理

    from pycocotools.coco import COCO
    import cv2
    
    def validate_annotations(coco_json_path, img_dir):
        coco = COCO(coco_json_path)
        for img_id in coco.getImgIds():
            img_info = coco.loadImgs(img_id)[0]
            img_h, img_w = img_info['height'], img_info['width']
            ann_ids = coco.getAnnIds(imgIds=img_id)
            anns = coco.loadAnns(ann_ids)
            for ann in anns:
                # 检查bbox范围
                x, y, w, h = ann['bbox']
                if x < 0 or y < 0 or x + w > img_w or y + h > img_h:
                    print(f"图像{img_info['file_name']}的标注{ann['id']} bbox超出范围")
                # 检查分割多边形面积（避免过小/无效标注）
                if 'segmentation' in ann and len(ann['segmentation']) > 0:
                    seg_area = coco.annToArea(ann)
                    if seg_area < 10:  # 阈值可调整
                        print(f"图像{img_info['file_name']}的标注{ann['id']}分割面积过小")
    

• 人工交叉审核：随机抽取5%-10%的样本，由至少2名标注员交叉检查，重点审核困难样本（如小目标、模糊目标）
• 标注质量量化：计算标注的IOU一致性（同一样本不同标注员的标注IOU），设定阈值（如≥0.8）判定合格

三、处理类别不平衡 #

• 数据层面优化：
  • 过采样少数类：对少数类样本进行多次增强（如翻转、缩放、亮度调整）后添加到数据集，避免简单复制导致的过拟合

    def oversample_minority_class(img_path, ann, augment_times=3):
        img = cv2.imread(img_path)
        augmented_imgs = []
        augmented_anns = []
        for _ in range(augment_times):
            # 随机水平翻转
            flipped_img = cv2.flip(img, 1)
            # 同步调整bbox和分割标注
            h, w = img.shape[:2]
            flipped_bbox = [w - ann['bbox'][0] - ann['bbox'][2], ann['bbox'][1], ann['bbox'][2], ann['bbox'][3]]
            flipped_seg = [[w - x, y] for x, y in ann['segmentation'][0]]
            augmented_imgs.append(flipped_img)
            augmented_anns.append({'bbox': flipped_bbox, 'segmentation': [flipped_seg], **ann})
        return augmented_imgs, augmented_anns
    

  • 欠采样多数类：随机删除多数类的冗余样本，或选择具有代表性的样本（如覆盖不同场景、角度的样本）保留
  • 合成样本：用CutMix/MixUp方法将少数类样本与其他样本合成新图像，同步生成对应标注
• 标注资源倾斜：优先分配更多标注人力到少数类，确保每个少数类样本的标注精度

四、减少预处理阶段标注错误 #

• 预处理前备份原始数据：对原始图像和标注文件做只读备份，避免预处理失误导致数据丢失
• 标注与图像同步变换：所有图像预处理操作（缩放、翻转、旋转）必须同步调整标注坐标，比如缩放时计算比例因子：

  def resize_image_and_annotation(img, ann, target_size=(640, 640)):
    h, w = img.shape[:2]
    scale_h = target_size[0] / h
    scale_w = target_size[1] / w
    # 缩放图像
    resized_img = cv2.resize(img, target_size)
    # 调整bbox
    resized_bbox = [ann['bbox'][0] * scale_w, ann['bbox'][1] * scale_h,
                    ann['bbox'][2] * scale_w, ann['bbox'][3] * scale_h]
    # 调整分割多边形
    resized_seg = [[x * scale_w, y * scale_h] for x, y in ann['segmentation'][0]]
    resized_ann = {'bbox': resized_bbox, 'segmentation': [resized_seg], **ann}
    return resized_img, resized_ann
  

• 预处理后校验：每次预处理完成后，用脚本检查所有标注的坐标是否在新图像尺寸范围内，避免出现负数或超出边界的情况

五、为YOLO/COCO Pipeline准备数据集 #

• COCO转YOLO格式：将COCO的json标注转换为YOLO的txt格式，每个图像对应一个txt文件，每行内容为：
  类别ID 归一化x_center 归一化y_center 归一化宽度 归一化高度 [归一化分割点x1 y1 x2 y2 ...]

  def coco_to_yolo(coco_json_path, img_dir, output_dir):
      import os
      os.makedirs(output_dir, exist_ok=True)
      coco = COCO(coco_json_path)
      for img_id in coco.getImgIds():
          img_info = coco.loadImgs(img_id)[0]
          img_w, img_h = img_info['width'], img_info['height']
          ann_ids = coco.getAnnIds(imgIds=img_id)
          anns = coco.loadAnns(ann_ids)
          yolo_txt_path = os.path.join(output_dir, os.path.splitext(img_info['file_name'])[0] + '.txt')
          with open(yolo_txt_path, 'w') as f:
              for ann in anns:
                  # 处理bbox
                  x, y, w, h = ann['bbox']
                  x_center = (x + w/2) / img_w
                  y_center = (y + h/2) / img_h
                  norm_w = w / img_w
                  norm_h = h / img_h
                  # 处理分割
                  seg_str = ' '.join([f"{x/img_w} {y/img_h}" for x, y in ann['segmentation'][0]])
                  # 写入txt
                  f.write(f"{ann['category_id']} {x_center} {y_center} {norm_w} {norm_h} {seg_str}\n")
  

• 分层数据集划分：按类别分层抽样，将数据集划分为训练集(80%)、验证集(10%)、测试集(10%)，确保每个类别在各子集的分布比例一致
• 增强适配YOLO：增强操作需同步更新YOLO标注，比如翻转后调整x_center的归一化值（1 - x_center），旋转时需重新计算标注坐标

内容的提问来源于stack exchange，提问作者Snehal Joshi