GT/AUTO 全情况人工审核门控

为什么需要人工门控

Teacher 预测只是证据，不是天然正确的标签。仅看置信度无法区分以下情况：真正漏标、已有标签的重复框、同一目标但框尺度不一致、两个相邻真实目标，以及合理的跨类别嵌套。因此，在生成任何派生训练数据前，工作流先把这些情况显式分类并交给人工决策。

完整图片/类别状态空间

每张图片和每个类别必然属于以下四种状态之一：

状态	原 GT	Teacher 证据	默认处理
`GT0_AUTO0`	无	无	不处理，但保留覆盖统计
`GT1_AUTO0`	有	无	保留原 GT
`GT0_AUTO1`	无	有	进入置信度、几何关系和数据划分判断
`GT1_AUTO1`	有	有	区分已标注、同目标尺度冲突和不同目标

矩阵会枚举全部图片和类别组合，而不是只统计有候选框的图片，因此不会把“没有发生预测”的情况悄悄忽略。

联合几何关系

候选框 $A$ 与目标框 $B$ 的交并比为：

$$ \operatorname{IoU}(A,B)=\frac{|A\cap B|}{|A\cup B|} $$

当小框被大框包含时，IoU 可能很低，因此增加交集占较小框面积的比例：

$$ \operatorname{IoS}(A,B)=\frac{|A\cap B|}{\min(|A|,|B|)} $$

归一化中心距离为：

$$ d_c(A,B)=\frac{\sqrt{(c_x^A-c_x^B)^2+(c_y^A-c_y^B)^2}}{\sqrt{\min(|A|,|B|)}} $$

面积倍率为：

$$ r_a(A,B)=\frac{\max(|A|,|B|)}{\min(|A|,|B|)} $$

默认策略：

已标注：IoU >= 0.60，或 IoS >= 0.90 且归一化中心距离 <= 0.35。
同目标但尺度存疑：IoU >= 0.20，或 IoS >= 0.55 且归一化中心距离 <= 0.80。
Teacher 同类候选近重复：候选间 IoU >= 0.90，只保留置信度更高者。
跨类别冲突：跨类 IoU >= 0.65 且面积倍率 <= 2.0，进入人工审核，避免误删合理嵌套的小目标。

候选终态

每个 Teacher 候选只能进入一个终态：

终态	是否审核	允许的结果
`INVALID`	否	拒绝
`MODEL_DUPLICATE`	否	拒绝低置信重复框
`GT_ALREADY_LABELED`	否	保留 GT，不新增重复框
`GT_SAME_AMBIGUOUS`	是	明确替换匹配 GT 或拒绝
`GT_CROSS_CLASS_CONFLICT`	是	作为不同类别新增或拒绝
`TRAIN_MISSING_HIGH/MEDIUM`	是	新增或拒绝
`EVAL_MISSING_HIGH/MEDIUM`	是	接受为评测 gold 候选或拒绝
`BELOW_REVIEW_THRESHOLD`	默认否	保留在审计表，可选择扩展审核
`SPLIT_DISABLED`	否	拒绝

高置信度也不会绕过人工审核。置信度只代表证据强度，不代表修改标签的权限。

生成离线审核包

yolo-label-recovery review-build D:\data\dataset D:\runs\candidates_all.csv `
  --policy configs\review_policy.example.yaml `
  --output-dir D:\runs\company-review `
  --render `
  --redact-paths

输出包括全量审计表、待审核队列、决策模板、全部可视化候选、矩阵覆盖统计、HTML 汇总和离线 Tk 审核器。审核器会自动保存 company_decisions.csv，关闭后从首个未完成任务继续。

审核快捷键：

A：确认新增不同目标框。
P：用 AUTO 替换高亮的同类 GT。
E：接受为 val/test 的 gold 标签候选。
D：拒绝。
U：暂不确定，写回前必须重新处理。

安全写回

yolo-label-recovery review-apply D:\data\dataset D:\runs\company-review\company_decisions.csv `
  --policy configs\review_policy.example.yaml `
  --output-root D:\data\dataset-reviewed

写回阶段强制保证：

存在空白或 uncertain 决策时，整体拒绝执行。
输出目录不能等于、包含或成为源数据集的父目录。
永不修改源图片和源标签。
只有 GT_SAME_AMBIGUOUS 才允许替换，而且审核时引用的 GT 必须仍未变化。
新增前会对最新派生标签再次查重。
val/test 审核结果默认只保留证据，不自动改变评测口径。
新增、替换、暂存和拒绝均生成可追溯 CSV。

无 GPU 公开演示

python examples\create_review_fixture.py --output-dir .demo-review-fixture
yolo-label-recovery review-build .demo-review-fixture\dataset .demo-review-fixture\candidates.csv `
  --output-dir .demo-review-result --render --redact-paths

合成样例覆盖全部四种图片/类别状态以及主要候选终态，不需要 GPU、私有图片或模型权重。

FilesExpand file tree

HUMAN_REVIEW.zh-CN.md

Latest commit

History