文件一致性#

• 每张图片是否有对应标签文件。

• 空标签是否代表没有目标，而不是漏标。

• 标签文件是否能被解析。

• 类别编号是否在配置范围内。

框位置检查#

随机抽取一批图片，把标注框画出来。看框是否覆盖完整目标，是否包含太多背景，是否把多个目标框成一个。

漏标和错标#

漏标比框稍微不准更危险。模型看到图片里有目标却没有标签，会把真实目标当背景学习。错标则会混淆类别边界。

抽检策略#

不要只抽容易的图片。应该覆盖不同类别、不同光照、不同角度、不同来源。对少数类要提高抽检比例。

实战复盘#

检查《标注质量检查清单》这类视觉流程时，我不会只看命令是否完成，而会打开输出文件。视觉任务的质量判断必须回到图像本身：目标是否还在、颜色是否正常、框是否贴合、类别是否正确。

如果处理结果准备进入训练集，我会额外记录数据版本。图片、标签、划分文件和增强策略要能对应到同一个版本，否则模型结果变化时很难解释。

这类文章最适合持续补充错误案例。每遇到一次读图失败、标注错位或预测异常，都可以回到文章里增加一个真实排查点。

最小验收样例#

验收《标注质量检查清单》时，我会固定三张图片：一张正常样例、一张边界样例、一张容易失败的样例。每次改代码都用这三张图跑一遍，并保存输出结果。

视觉流程的验收必须能用眼睛确认。只打印数组 shape 或命令成功不够，至少要保存一张中间结果图或最终可视化图，确认处理效果和预期一致。

小结#

标注质量检查要把文件、类别、框位置和漏标分开看。训练前多花时间抽检，能避免后面反复怀疑模型。