盖印台:印模上三个窗口由大到小即置信度由高到低;已落下的那个是采纳,仍悬空的两个还在等你按 A 或 R渲染示意,非产品截图;数值为示例
{{ s.n }}
{{ s.t }}
{{ s.p }}
关于“没有坏样本”:异常检测族可以用无缺陷样本建立基线,再用真实缺陷补教。它给的是“这里不对劲”的区域,不是缺陷类别——类别仍然要人标。
{{ c.t }}
{{ c.p }}
{{ s.p }}
{{ c.p }}
审框
没有第三个按钮。不采纳的建议当场丢弃,不留进数据集——所以预标注不会把模型误差变成训练数据。
三步接入
不需要先训练一个模型才能用预标注。内置的 36 个模型可以先跑起来,或者直接热装载你已有的私有模型。
按任务族选一个内置模型,或者热装载你自己的权重。不用重建管线。
整目录跑一遍,作业可中断、可续跑。结果以“未采纳”状态进入待审队列。
采纳即入库,驳回即丢弃。指标跟着人审结果走,不由模型自己报。
模型族
选族的依据是你的标注形态和验收口径,不是参数量。
任务族 | 典型模型 | 适合的活 | 不适合 |
|---|---|---|---|
| 目标检测 | YOLOv5 / v8 / v11 / v26 | 定位与计数,冷启动最快 | 边界要求到像素级的场景 |
| 实例分割 | YOLO-seg 系列 | 需要面积、边界与重叠关系 | 极小目标密集堆叠 |
| 旋转框 | OBB 系列 | 倾斜件、长条形目标 | 正装且规则排布的件 |
| 关键点 | Pose 系列 | 装配校验、姿态判断 | 无固定拓扑的软体目标 |
| 分类 | 分类族 | 整图判级、有无判定 | 需要指出“在哪里”的场景 |
| 异常检测 | 异常检测族 | 只有 OK 样本时的冷启动 | 需要区分具体缺陷类别 |
主动学习
同样标 100 张,选图顺序不同,模型差很多。系统把低置信度、跨类边界、与训练集距离远的图排到前面。
模型最没把握的项先出现。人的时间花在边界样本上,而不是重复确认已经确定的东西。
两个类别都可能、都不像的图会被单独挑出。这类图进训练集,收益通常最高。
标一批、训一轮、再推理下一批。链路是环,不是一次性的流水线。