数据标注选型与采购指南
这份指南写给准备采购数据标注服务的算法团队与采购同学。数据标注的坑大多不在价格,而在需求传递与验收标准——选错标注类型、规范没写清、验收条款含糊,任何一条都会让交付数据无法直接用于训练。下面按决策顺序展开:先定类型,再写需求,再选供应商,最后谈验收。看完之后如果想对照具体服务,可以浏览我们的产品服务页,或直接发样本给我们评估。
一、按训练目标确定标注类型
标注类型由模型要解决的任务倒推,而不是反过来。做目标检测,用矩形框就够;做实例分割或需要精确边界的应用(缺陷轮廓、地物提取),需要多边形乃至逐像素的语义分割;做 3D 感知,点云 3D 框不可替代,纯 2D 数据训练出的模型在深度估计上先天不足;做语音识别与声纹,需要带时间戳和说话人标记的转写数据;做大模型的指令微调与对齐,对应的则是 SFT 问答对构建与 RLHF 偏好排序。选型的常见错误是“往上够”——明明检测模型只需要框,却买了分割数据,预算翻几倍而模型收益有限。反过来,“往下省”更危险:用矩形框数据硬训分割模型,边界精度上不去,返工时数据要全部重标。
二、把需求写成可执行的规范
需求文档的质量直接决定交付质量。一份合格的标注规范至少包含四个部分:类别清单及定义(每个类别给正例反例各若干);边界情形的判定条款——遮挡到什么比例算不可标注、截断目标框画可见部分还是补全、密集重叠时的前后关系如何处理;属性字段的枚举值(如车辆属性的车型、颜色类别必须封闭,不允许自由填写);交付格式与字段结构。很多客户会问“规范要写多细”,一个可操作的判断是:让一个没接触过项目的人只看文档去标十张图,如果他对其中三张以上拿不准,规范就还不够细。规范工作做在前面,是整个采购里性价比最高的一件事。
三、评估供应商要看什么
价格之外,建议从四个维度评估。一是流程:有没有书面的试标环节,质检是全量互检加抽检还是只做最后抽检,返工怎么计费——负责任的供应商会把返工责任条款写进合同。二是工具:是否支持你需要的模态(点云多视图联动、长音频切分这些能力不是所有团队都有),能否对接你的自有平台,能否按你的格式直接回传。三是数据安全:数据是否在内网流转、能否签保密协议、项目结束后数据如何处置。四是稳定性:长期项目能否组建专属小组、人员是否跨项目流动——标注规范的记忆保存在人身上,频繁换人等于反复冷启动。要求对方提供试标是最有效的验证方式,任何流程描述都比不上一次实际交付。
四、计价方式与验收条款
常见计价方式有按张(框)、按实例、按时长(音频视频)、按工时四种,适用场景不同。下表做一个对照:
| 任务类型 | 适用计价 | 验收核心指标 | 典型周期参考 |
|---|---|---|---|
| 2D 矩形框 | 按张 | 类别正确率、框贴合度 | 一万张以下约 3–5 个工作日 |
| 多边形 / 实例分割 | 按实例 | 边界贴合抽检 | 按边界复杂度评估 |
| 点云 3D 框 | 按帧 | 朝向角误差、ID 一致性 | 按数据量评估 |
| 语音转写 | 按时长 | 字错率、时间戳对齐 | 按音频时长评估 |
| SFT / RLHF 数据 | 按条 | 格式合规、评分一致性 | 按条数与细则复杂度评估 |
验收条款建议写清三件事:合格率的计算口径(抽检比例、单批不合格如何处理——整批返工还是定向返工);争议样本的仲裁方式(谁的判定为准,或引入第三方规则);返工的费用承担(供应商原因返工不另计费应成为默认条款)。周期条款要留缓冲,点云与分割类任务受数据难度波动影响大,按日承诺交期的供应商反而值得警惕。
五、采购清单与常见误区
发出询价前,把下面这份清单备齐,双方的沟通成本会大幅下降:
- 数据类型与总量估计,附 10–20 条代表性样本
- 已有的标注规范(如有),或至少一份类别清单
- 交付格式与字段结构要求(COCO、JSONL 或自定义)
- 质量要求:可接受的合格率下限、质检方式偏好
- 数据敏感性说明与保密协议要求
- 期望的第一批规模与整体节奏
最后提示三个常见误区。其一,只比单价不看合格率——单价低 10% 但合格率低 20 个百分点,返工成本远超差价。其二,跳过试标直接量产,等发现理解偏差时已完成大半。其三,需求中途频繁变更而不走变更流程,最终数据口径混乱到无法合并使用。数据标注本质是一条制造业式的工序链,把它当生产线管理,交付质量就有了底线。如果你正准备启动一个标注项目,欢迎参考我们的服务类型,或通过联系页面发样本过来,我们会按这份指南的思路给出评估。