标签是什么？告诉模型“正确答案”的标注

标签（Label）是分配给数据样本的目标值或注释，告诉模型这个样本的“正确答案”是什么。在计算机视觉中，标签是指分配给图像或视频中感兴趣的物体或区域的文字或数字标注。标签主要用于监督学习，用来训练算法识别、分类和理解数据。

标签在监督学习中的作用

监督学习就像老师带着学生做练习：给模型看大量的例子，每个例子都附带正确答案，模型通过比较自己的预测和正确答案之间的差距，不断调整自己，逐渐学会如何对新的、没见过的数据做出正确的判断。这里的“正确答案”，就是标签。没有标签，监督学习就无从谈起。

不同任务的标签长什么样

图像分类：标签是一个类别名称，比如“猫”“狗”“汽车”。目标检测：标签不仅包括类别，还包括物体在图中的位置，通常用一个矩形的边界框来表示。图像分割：标签是一张和原图同样大小的“掩码”，标明每一个像素属于哪个类别或哪个物体。关键点检测：标签是一组关键点的坐标，比如人体各个关节的位置。标签还可以描述物体的属性，比如颜色、大小、状态。文本任务：情感分析的标签是“正面”“负面”；命名实体识别的标签标明哪些词是人名、地名、机构名。回归任务：标签是一个连续的数值，比如房子的价格、明天的温度。大模型的指令微调：标签是针对某个问题或指令的一个理想回答。

标签从哪里来

人工标注：由标注员手工完成，这是最常见、通常也最可靠的方式，但成本高、耗时长，专业领域还需要专家参与。众包：把标注任务分发给大量的在线工作者。半自动标注：先用模型自动生成初步的标签，再由人工审核修正，大大提高效率。弱监督：利用规则、关键词或其他间接的信号来大规模地自动生成标签，标签质量不如人工，但数量可以很大。也有一些数据天然带有标签，比如用户给商品打的评分、图片自带的文字说明。

标签的质量很关键

标签的质量直接决定了模型能学到什么：“垃圾进，垃圾出”，错误或不一致的标签会让模型学到错误的规律。标签的数量也很重要，深度学习模型通常需要大量带标签的数据。正因为获取高质量标签成本很高，研究者发展出了不需要大量标签的方法，比如自监督学习：从数据本身自动生成学习信号，像预测文本中的下一个词、还原被遮住的图片区域，如今的大语言模型和很多视觉模型的预训练都采用这种方式。