2D 矩形框标注
目标检测训练的基础任务。标注员对图像中每一类目标拉取贴合的矩形框并标记类别,遮挡与截断目标按规范约定补全或标注可视区域。这是产能最高的一类任务,适合大批量数据的快速积累,也是许多感知模型迭代的第一步。
- 输出 COCO / VOC / YOLO 任一格式
- 适用于车辆、行人、工件等常规目标
- 通常按张计价,3–5 个工作日一批
目标检测训练的基础任务。标注员对图像中每一类目标拉取贴合的矩形框并标记类别,遮挡与截断目标按规范约定补全或标注可视区域。这是产能最高的一类任务,适合大批量数据的快速积累,也是许多感知模型迭代的第一步。
沿目标真实轮廓逐点勾勒,边界贴合度远高于矩形框,适合对像素级精度有要求的场景——工业缺陷的形状边界、遥感影像的地物轮廓、医学影像中的病灶区域。顶点密度按边界复杂度控制,平滑处稀疏、拐角处加密,避免既浪费顶点又丢失细节。
在激光雷达点云中为车辆、行人、骑行者拟合带朝向角的立方体框,是自动驾驶感知训练的核心数据工序。我们使用多视图联动的标注工具,3D 框会同步投影到对应相机图像上做二次校验,减少纯空间视角下容易出现的朝向误判。连续帧任务支持 ID 跟踪。
对录音数据做有效语音段切分、逐字转写与说话人标记,过滤静音、杂音与无意义片段,产出可直接用于语音识别与声纹模型训练的数据。电话客服录音、车载语音、会议录音是我们常见的三类输入,嘈杂场景下听不清的片段按规范标记而非猜测填入。
在文本中圈选人名、机构、产品型号、时间金额等实体并打上类型标签,服务信息抽取与知识图谱构建。实体类型体系完全按客户业务定义——同一个词在不同行业里归属可能不同,我们在规范阶段就逐条厘清,嵌套实体与歧义表述的处理规则也会写成明确的判定条款。
围绕客户的指令微调目标撰写或筛选问答对:从既有语料中清洗出合格样本,按场景语气补写缺失覆盖面,对多轮对话做前后一致性校验。产出为 JSONL 格式,字段结构可与客户的训练管线直接对接,省去数据侧的二次处理。
对模型针对同一提问生成的多条回复,按有用性、安全性、事实性等维度做排序或打分,为奖励模型提供偏好信号。这类任务的关键在于标注员对“好回复”的判断标准要和客户对齐,我们会先共同制定评分细则,争议样本进入二次仲裁,避免个人偏好污染数据。
在连续视频帧中为同一目标保持 ID 一致,处理遮挡、出画、再入画等典型情形,服务行为识别与多目标跟踪算法训练。我们采用关键帧插值加人工校对的方式提效:标注员在关键帧精确拉框,中间帧由工具插值生成后再逐段人工修正,兼顾效率与 ID 稳定性。
把整幅图像按类别逐像素划分归属——道路、建筑、植被、天空各有其类,是环境感知与场景理解模型的高精度数据来源。类别体系通常在 10–40 类之间,类别越多边界情形越复杂,物体间的过渡带与远景小区域的处理规则需要在规范阶段写死,否则量产时歧义会集中爆发。