|进度条学习第 191 天当前完成度4%一、今日学习任务今日核心任务完成 10大类、共50张图像分类数据集制作与标注截图归档同时拓展学习图像识别模型、数据校验底层原理完整落地一次小型图像分类数据集制作全流程。图注完成50张图像分类数据集制作与标注截图归档任务二、今日所学知识点2.1 图像分类标注原则图像分类模型学习的是整张图片整体特征必须保证主体完整。若目标依附树枝等背景无法单独抠出可连带少量背景保留优先保证物体完整性不缺失关键特征。说明小鸟依附树木背景上无法单独扣出的局部遮挡样例2.2 高质量训练集生图规范训练图片尽量做到主体居中、轮廓完整、背景干净若无法去除水印避免水印遮挡物体关键识别区域。图片说明主题居中展示画面干净适合作为高质量训练样本。2.3 标准框选标注规范标注框触碰/超出图片边缘均属于错误标注规范上要求不贴边但实际校验只报硬错。说明下图就是质量缺陷的图片标准示例修改于2026年9月6日。图注上图右边框贴近边界图片容易出现越界不合规合格标注标准完整包裹目标物体同时尽量减少多余空白提升模型训练精度降低识别偏差。2.4 标注越界两类成因•标注框贴近、触碰图像边缘样例文段2.3示意图大白话框没有跑出图片只是紧紧贴着图片边线空隙不足5%(个人经验)。软件校验不会报错属于隐性质量缺陷容易造成AI识别不稳定。框跑出图片外格式越界直接作废。•框选像素范围超出原图像素边界大白话标注框一部分跑到整张图片边线外面。坐标数值超出0~1区间属于硬性格式错误程序无法读取这份标注文件。框没跑出去只是贴紧边线质量缺陷文件能用但数据集质量变差。2.5 数据校验逻辑*图像识别模型深度学习遵循固定的网络架构和计算流程但具体识别结果由训练得到的参数决定。标注文件作为教材格式和坐标必须合规才能被模型训练脚本正常读取存在越界、缺字段、格式错误时数据加载器会直接报错或跳过。。校验分两层① 基础检查坐标有没有跑出图片边界硬性格式错误训练脚本会直接报。② 框是否紧贴边线、是否过小等属于项目/平台自定义的质检规则模型本身不会自动帮你检查需要人工或额外脚本处理。2.6 主流标注格式认知目前工业界主流坐标表达格式只有3 套YOLO TXT、VOC XML、COCO JSON。不同项目选择不同没有上百种花样。其中YOLO TXT 是目前接单和练手最常用的。①YOLO格式txt归一化比例坐标一行类别ID 中心点X 中心点Y 框宽度 框高度所有数值是01之间的比例不是像素数字也是我们现在一直在练习的格式。②VOC格式xml像素角点坐标记录框左上角、右下角像素点位 xmin,ymin,xmax,ymax直接写像素个数不做比例换算老项目用得多现在商单变少。③COCO格式json像素坐标多用于大型公开数据集个人练习很少碰到。三、实操遇到的问题与未吃透难点3.1 看不懂图像数据校验公式3.2 无法完全吃透 COCO格式完整编码含义3.3 不清楚 YOLO、COCO 两种格式的实际项目应用场景与区别四、问题理解与自我解决梳理今天最大收获是分清了「格式报错」和「隐性标注缺陷」的区别数据校验只检查格式合规性校验通过≠标注完美。例如框轻微贴边不会报错但属于质量缺陷会影响训练效果。通过大量手动标注数据校验测试我自行梳理出一套正确标注判定标准解决了“不知道什么是错、什么是瑕疵”的模糊认知。同时确定三个后续落地解决方向4.1 让AI批量检查标注图片、排查错误4.2 使用代码批量修图、裁切图片边缘统一规格4.3 持续优化生图提示词产出更标准的训练数据集五、今日收获与整体总结5.1 高光收获原本以为批量生图、改名、几十张标注是无意义机械工作。实操后发现人工标注数据是可以被大模型读取、校验、纠错的有效训练素材。亲眼看见校验工具用数学规则坐标范围检查找出我的标注漏洞真正理解AI图像识别的严谨逻辑非常有成就感。5.2 真实体感总结批量重复标注、生图整理非常枯燥耗精力容易麻木疲惫。今日熬夜导致思维偏混沌因此本次记录以沉淀留存、梳理框架为主难点理论留待状态清醒后深挖。5.3 整体学习总结AI图像分类训练不是简单看图标图每一张图片、每一处框选、每一组编码都有标准化数据规则。今日完整跑通 数据校验的闭环认知为后续AI视觉学习打下基础。六、后续学习计划6.1 深入吃透 COCO、YOLO 格式区别与应用场景6.2 弄懂图像数据校验公式6.3 实操批量修图代码、优化训练集生图提示词