跳到主要内容

主动学习

这个功能解决什么问题​

手头积攒了几万张未标注图片，全标一遍要花掉标注团队好几周。但真要把人力全部撒出去，又会发现其中很大一部分图片模型其实已经认得很准了，标了也是浪费。

主动学习（Active Learning）就是把人力用在刀刃上。它让模型反过来「告诉」你哪些图片最值得人工标注：模型自己拿不准的那一批。把这批图人工标完，重新训练，模型就能在最薄弱的地方获得最大进步。如此循环，每一轮都把精度往上推一截，标注成本却控制得住。

简单说，主动学习是一条「训练 → 自动选图 → 人工审核 → 导入数据集 → 重新训练」的闭环流水线。

适用场景​

什么时候用主动学习
  • 数据多、标注预算少：积压了大量原始图片，不可能全部人工标注，希望优先标最有价值的那一小撮。
  • 模型已经有一个基线：至少跑过一轮训练，有了可以拿来「挑刺」的模型，主动学习才能基于它选图。
  • 追求持续迭代：希望每隔一段时间就给模型补一批数据再训一次，让精度稳步爬升，而不是一次性标完就结束。

如果你只是想做一次性的数据准备和训练，不一定需要主动学习。直接在标注工作台标完数据，发布版本后训练就够了。

核心流程​

一轮主动学习迭代会经历下面几个阶段，绝大多数阶段由系统自动推进，只有少数关键节点需要人工确认。

一轮迭代的全过程
  1. 选基线模型：选一个已训练完成的模型制品（Artifact）作为本轮迭代的起点，系统会用它来挑图。
  2. 自动选图：模型对未标注图片池做推理，挑出它「最不确定」的一批图。选图数量受预算控制，跨轮之间不会重复挑同一张图。
  3. 自动训练：系统创建一个训练任务，基于现有版本和新增数据启动训练。
  4. 自动标注：训练完成后，系统自动用新模型对选出来的那批图跑 AI 标注，生成待审核结果。
  5. 人工审核：标注员在标注批次模块里逐张审核 AI 标注，对的通过、错的退回。这是唯一的人工环节。
  6. 确认导入：审核完成后，管理员把审核过的标签写回数据集（覆盖模式，原地精化）。
  7. 确认发布：导入完成后，管理员手动发布一个新的数据集版本，作为下一轮迭代的输入。
  8. 重新训练：新版本就绪后即可开启下一轮迭代，循环往复。

整条链路上，只有人工审核、确认导入、确认发布这三步需要人，其他都是自动的。

前置条件​

开启主动学习之前，项目里需要先准备好以下几样东西。缺少任何一项，「开启主动学习」按钮会保持禁用，并提示差什么。

  1. 上传数据

    项目数据集里至少要有一批图片。还没上传过任何数据的项目无法启动主动学习。怎么上传见创建数据集。

  2. 发布数据集版本

    主动学习每轮迭代都基于一个已发布的数据集版本展开。至少要发布一个版本，作为第一轮迭代的输入。怎么发布见发布数据集版本。

  3. 完成至少一次训练

    系统需要一个「基线模型制品」（Artifact）来挑图，而 Artifact 来自训练。所以你得先创建训练任务并跑出至少一个完成的模型版本，才有东西可以拿来选图。

三个条件齐了之后，「开启主动学习」按钮才会变成可点击状态。

创建第一轮迭代​

  1. 进入主动学习页面

    在项目工作区左侧导航点击「主动学习」Tab，进入迭代总览页。如果项目里还没有任何迭代，会看到空态提示和「开启主动学习」按钮。

  2. 点击开启主动学习

    点击右上角的「开启主动学习」按钮，弹出创建对话框。

  3. 选择基线 Artifact

    从下拉里选一个已训练完成的模型制品（Artifact）作为本轮迭代的基线。建议选最近一次训练里 mAP 最高的那个版本。

  4. 填写训练配置

    设置本轮的训练参数（架构、训练轮数、批次大小等），跟普通训练任务一致。具体字段含义见训练参数。

  5. 启动迭代

    确认无误后点「启动」。系统会创建一个新的迭代记录，状态从 draft 进入 training，然后自动往下推进。

主动学习创建对话框
图1：创建主动学习迭代的对话框，需要选基线 Artifact 和填写训练配置

迭代状态机​

每个迭代都会按固定的状态机往下走，绝大部分转移由系统自动触发。

字段类型必填默认值说明
draft状态可选—迭代已创建，等待启动。点「启动迭代」后进入 training。
training状态可选—正在执行训练任务。训练完成后系统自动进入 annotating。
annotating状态可选—训练完成，正在用新模型对选出的图片做 AI 标注。标注完成后自动进入 reviewing。
reviewing状态可选—等待人工审核。审核入口在标注批次模块，详见下方「审核入口」。
import_pending状态可选—所有图片审核完毕，等待管理员点「确认导入」，把标签写回数据集。
imported状态可选—已导入数据集，等待管理员「确认发布」一个新的数据集版本。
completed状态可选—新版本已发布，本轮迭代彻底结束。可以开启下一轮。
failed状态可选—任意一步出错都会落入 failed，并保留错误信息供排查。修复后重新开启下一轮即可。
状态怎么往前推
  • training → annotating：训练完成自动触发，无需人工。
  • annotating → reviewing：批量标注任务跑完自动触发。
  • reviewing → import_pending：所有图片审核完毕自动触发。
  • import_pending / reviewing → imported：管理员手动点「确认导入」。
  • imported → completed：管理员手动点「确认发布」。
  • 后两个手动步骤是设计如此，避免把没核完的数据直接拿去训练。

自动化与人工节点​

哪些步骤是自动的
  • 训练完成 → 立刻自动创建批量标注任务，挑图、推理、写标注都由系统完成。
  • 批量标注完成 → 自动推进到 reviewing，并在标注批次模块生成一条待审核的批次记录。
  • 图片审核完毕 → 自动推进到 import_pending。
  • 你需要做的只有三件事：人工审核、确认导入、确认发布。
审核完成不会自动导入和发布

哪怕所有图片都审核通过了，系统也不会自动把标签导入数据集，更不会自动发布新版本。这两步必须由管理员手动确认。

原因很简单：导入会覆盖现有标签，发布会产生一个不可变的训练版本，都是不可逆操作。把决定权留给人，避免错误标签污染数据集。

选图逻辑：去重 + 预算控制​

主动学习最关键的一步是「挑哪些图」。系统在这一步做了两件事。

跨轮去重

每轮选图之前，系统会查询之前所有已归档的 AL 审核批次选过的图片文件名，跳过这些图，确保每张图最多被审核一次。

第一轮迭代没有任何历史记录，行为不变；从第二轮开始，去重逻辑开始生效。

每轮预算（images_per_round）

每轮选图的数量由 images_per_round 字段控制。如果设了值（比如 50），系统会：

  • 从未标注池里按 job.id 种子随机预采样出最多 top_n * 5 = 250 张候选（限制推理成本，不会对整个池子跑推理）。
  • 对这批候选跑模型推理，按不确定性（置信度 + margin）排序。
  • 取前 top_n = 50 张进入本轮审核批次。

如果字段留空，则回退到默认行为：池里有多少未标注图就处理多少（上限为安全阈值）。建议始终显式设一个值，让每轮成本可预测。

审核入口​

主动学习的人工审核环节统一走标注批次模块。系统会自动创建一个特殊用途的批次（purpose='active_learning_review'），把本轮选出来的图都放进去。

怎么找到 AL 审核批次
  • 进入项目工作区的「数据标注」Tab，在批次列表里找到标记为「主动学习」的那一条（命名形如「主动学习第 N 轮审核批次」）。
  • 点进去之后的操作跟审核任何普通 AI 标注批次完全一致：图片级审核、批量通过、批量退回、反例标记等。详见图片级审核。
  • 这个批次的图片是指向数据集的符号链接，不是副本，所以审核导入时不会复制图片本体，只写标签。

导入：覆盖模式​

审核完成后，管理员在迭代详情页点「确认导入」时，系统会用覆盖模式（duplicate_handling=overwrite）把审核后的标签写回数据集。

覆盖模式意味着什么
  • 同名图片如果数据集里已经有标签，会被审核后的新标签覆盖。
  • 不会产生 _1 后缀的副本，原有标签文件被原地精化。
  • 因为 AL 审核批次图片本身是符号链接到数据集，导入操作只写标签文件，不动图片本体。
  • 如果你担心覆盖会丢数据，可以在导入前先发布一个版本做快照留底。

不自动发布：必须手动确认​

最后一个常被忽略的点：主动学习迭代不会自动发布新的数据集版本。

导入完成 ≠ 新版本
  • import_pending → imported：审核结果写回数据集工作区（可变），但训练用的是不可变版本，不发布就用不上。
  • imported → completed：管理员在迭代详情页点「确认发布」，系统才会基于当前工作区生成一个新的数据集版本。
  • 发布完之后，下一轮迭代才能基于这个新版本继续。
  • 如果你只导入不发布，迭代状态会停在 imported，不会自动结束。

接下来​

常见问题​

「开启主动学习」按钮是灰的

三种可能：① 数据集还没上传任何图片；② 还没发布过数据集版本；③ 还没完成任何一次训练。把鼠标悬浮到按钮上会显示具体缺哪一步。

迭代卡在 training 不动了

训练任务可能还在排队或正在执行。进入项目「训练」Tab 看对应训练任务的状态。如果训练因为 OOM 或显存不足失败，迭代会落到 failed，参考训练日志里的错误修一下再开新一轮。

审核批次找不到

确认在项目工作区的「数据标注」Tab 里找，不是全局数据集页面。AL 审核批次的名字以「主动学习第 N 轮」开头，看板上的「进行中」或「待复核」列里应该能看到。

一轮跑下来没看到精度提升

检查两件事：① 审核的图片数量是不是太少（预算设得太低，覆盖不了模型的薄弱点）；② 审核质量是不是过关（退回的图多不多，退回的图有没有正确修正）。下一轮可以适度调大 images_per_round，或换一个更强的基线模型。