码上问学问代码之理,学编程之道

工具与平台速览

课程标准把 Label Studio、CVAT、Doccano、Praat 列为四类数据标注的实操工具,把 百度众测、京东众智、Amazon MTurk 等列为群智化接单平台。这一页把它们讲清「能标什么、适合谁、课堂怎么用」,并在文末给一张横向对比表和上机指引。

课堂定位:工具不是重点,标注思维才是。把工具当「灶台」——先理解要炒什么菜(标注任务),再选灶台。知识地图模块 10 / 11 的上机任务就在这几个工具里完成。

四类数据标注工具

按数据模态选工具,而不是反过来

Label Studio 通用 · 四类通吃

开源、可本地部署的标注平台。文本、图像、音频、视频都能标,模板化配置,最适合课堂统一教学与期末项目快速搭环境。

文本/图像/音频/视频开源可私有化

CVAT 图像/视频 · 检测分割主力

计算机视觉标注首选。强在目标检测、多边形/掩码分割、视频跨帧自动跟踪(插值),是案例①自动驾驶、②人脸人体、⑥电商的主工具。

图像/视频检测/分割跨帧跟踪

Doccano 文本 NLP 轻量首选

专为文本标注设计的轻量工具:分类、序列标注(NER/BIO)、序列到序列(翻译/摘要)开箱即用。案例⑤内容审核的主力。

文本分类/NER极轻量

Praat 音频 声学细节

语音学研究级工具,看波形、频谱、做精确切分与时间戳标注。案例③智能客服语音转写的底层利器,门槛略高但最专业。

音频波形/频谱时间戳
补充工具(了解即可):LabelImg(极简图像检测框)、VGG Image Annotator(浏览器内图像标注)。它们功能单一,适合「第一次点框」的入门热身。

工具界面示意

教材第 2 章 2.2「常见数据标注任务及工具」——先认识界面长什么样,再上手
Label Studio · 通用标注台
Label Studio 任务列表 cat 标签 cat dog
左:任务列表;中:画布(框 / 标签实时预览);右:标签面板。四类数据都能在这个界面里完成,是课堂统一教学的首选。
CVAT · 视觉检测分割
CVAT car person 标签 / 快捷键
图像 / 视频标注主力:多边形 / 掩码分割、跨帧自动跟踪(插值)。案例①自动驾驶、②人脸人体、⑥电商都在它里面做。
Doccano · 文本 NLP
Doccano 这家餐厅的服务很好评。 标注面板(实体 / 分类 / 序列) ORG 组织 ASPECT 方面 SENT 情感
专为文本设计:分类、序列标注(NER/BIO)、序列到序列开箱即用。高亮即标签,案例⑤内容审核的主力。
Praat · 语音声学
Praat 声波 Waveform 频谱 Spectrogram 0.35s 0.62s 拖动选段即可切时间戳 / 标注音素
语音学级工具:看波形、看频谱、做精确切分与时间戳标注。案例③智能客服语音转写的底层利器。

群智化接单平台

对应知识地图模块 6/7:把活发给陌生人

百度众测

国内最大的众包数据平台之一,任务类型覆盖图像、文本、语音、采集。课堂用它讲「任务怎么拆解发包、钱怎么结算」最接地气。

国内全模态

京东众智

电商场景数据标注平台,商品、客服、物流类任务丰富,和案例⑥电商多模态直接对应,适合做行业实景教学。

国内电商场景

Amazon MTurk

全球最早的众包平台,海外数据与英文任务多。用它讲「众包为什么是群智化的分水岭」「跨文化标注的偏差」最合适。

海外英文任务

标注平台架构图

教材第 2 章 2.4.4「平台架构概述」——接单平台在整套流程里处在什么位置
群智化数据标注平台架构(教材第 2 章 2.4.4 平台架构概述) 任务发布方 Requester 标注平台 Platform(百度众测 / 京东众智 / MTurk 均属此类) 任务管理切分/分发/定价 标注工作台画框/打标签 质量控制蜜罐 + Kappa 真值聚合投票 / DS 众包标注者池 Workers 数据集 Data(清洗 + 标注后)
发布方把任务交给平台,平台拆分、分发、质检、聚合真值,最终沉淀为数据集——这正是模块 6/7/8/9 的真实载体。

横向对比表

一张表记住「谁该用什么」
工具 / 平台数据模态擅长的标注课堂角色门槛
Label Studio四类的都行模板化通用标注统一教学 / 期末项目搭环境低
CVAT图像 / 视频检测、分割、跨帧跟踪视觉类案例主力(自动驾驶/人脸/电商)中
Doccano文本分类 / NER / 序列文本理解案例(内容审核)低
Praat音频波形切分 / 时间戳语音转写案例底层高
百度众测 / 京东众智全模态真实生产任务发包讲「群智化平台怎么运转」低(接单端)
MTurk全模态海外 / 英文任务讲「跨文化偏差与分水岭」中
合规红线(必讲):用任何平台采集人脸、语音等敏感数据,必须拿到本人授权、脱敏、不外流。爬虫数据不能直接商用,公开数据集要看清授权协议(CC / 商用限制)。这条在案例②和模块 12 反复出现。

上机指引(给老师的)

工具 → 知识点 映射

四类工具怎么选:看你标的是什么数据Label Studio图 / 文 / 音 / 视频通用,四类通吃→ 对应模块 3/4/5/6CVAT图像 / 视频检测与分割主力→ 对应模块 3/4/5/6Doccano文本NER / 分类 / 关系→ 对应模块 3/4/5/6Praat音频音素 / 韵律细节→ 对应模块 3/4/5/6上机建议:先用 Label Studio 打通「导入-标注-导出」全流程,再按数据类型分工具专练