传统神经网络如Transformer的数据标注方法因数据类型而异，以下是常见的数据类型及其标注方法： ### 图像数据标注 - **矩形框标注**：使用矩形框框出图像中的目标对象，明确对象的位置。例如，在目标检测任务中，要检测图像中的古建筑裂缝，就可以用矩形框将裂缝框起来。工具如LabelImg就支持这种标注方式，标注信息通常以文本文件形式存储，可采用YOLO格式，每个文件对应一张图像，文件中每行表示一个标注对象，包含类别编号和边界框的位置信息（中心点坐标、宽度和高度，均为相对于图像宽高的比例值），适合YOLO系列目标检测模型使用[^2]。 - **多边形标注**：对于不规则形状的目标，如复杂的古建筑裂缝轮廓，使用多边形标注能更精确地描绘其实际形状。Labelme是支持多边形标注的工具，标注信息以JSON文件存储，结构灵活，可包含更多元数据，如裂缝的尺寸、严重程度等，便于后续的数据处理和分析[^2]。 ### 文本数据标注 - **序列标注**：包括分词、实体、关键字、韵律、意图理解等。例如，在自然语言处理中，对文本进行分词标注，明确每个词的边界；识别文本中的实体，如人名、地名、组织机构名等。 - **关系标注**：涉及指向关系、修饰关系、平行语料等。比如分析句子中词语之间的逻辑关系，确定某个词语是修饰另一个词语的。 - **属性标注**：包含情感标注、文本类别（如新闻、娱乐等）。通过对文本的情感倾向进行标注，判断是积极、消极还是中性情感；将文本归类到不同的类别中。 - **类别标注**：像篇章级的阅读理解，对文本进行分类标注，确定文本所属的主题类别[^5]。 ### 代码示例（图像标注转换） 以下是将Labelme标注的JSON文件转换为YOLO格式的代码示例： ```python import json import os def convert_labelme_to_yolo(labelme_json, img_width, img_height): with open(labelme_json, 'r', encoding='utf-8') as f: data = json.load(f) yolo_lines = [] for shape in data['shapes']: label = shape['label'] points = shape['points'] # 计算边界框的坐标 x_coords = [point[0] for point in points] y_coords = [point[1] for point in points] x_min = min(x_coords) x_max = max(x_coords) y_min = min(y_coords) y_max = max(y_coords) # 计算中心点坐标和宽高 x_center = (x_min + x_max) / (2 * img_width) y_center = (y_min + y_max) / (2 * img_height) width = (x_max - x_min) / img_width height = (y_max - y_min) / img_height # 假设类别编号从0开始 class_id = 0 yolo_line = f"{class_id} {x_center} {y_center} {width} {height}" yolo_lines.append(yolo_line) return yolo_lines # 示例使用 labelme_json_file = 'path/to/labelme.json' image_width = 1024 image_height = 768 yolo_annotations = convert_labelme_to_yolo(labelme_json_file, image_width, image_height) # 保存为YOLO格式文件 yolo_txt_file = 'path/to/yolo.txt' with open(yolo_txt_file, 'w') as f: for line in yolo_annotations: f.write(line + '\n') ```