图像数据标注服务怎么验收：标注规范、抽检与返修闭环

　　验收图像数据标注服务，不能只看交付了多少张图片。真正需要确认的是：原始数据是否有可用范围，标签定义是否一致，抽检是否覆盖难样本，错误怎样返修，以及最终数据包能否进入训练或评测流程。验收规则最好在试标阶段由业务、算法、标注和审核人员共同确定。

把“标得对”写成可操作规范

　　先定义每个标签代表什么，以及不属于该标签的情形。以工业缺陷或人员防护图像为例，应说明目标边界、遮挡、重叠、模糊、远景小目标和无法判断的处理方式，配正反例和仲裁记录。矩形框、多边形、分割或关键点任务的检查维度不同，不能套用同一套判定表。规范变更要记录版本和生效批次，避免新旧规则混入同一数据集。

抽检不只随机挑“好标”的图片

　　抽检样本应覆盖不同来源、场景、标注员和难度层级，并对稀少类别、边界模糊和高风险类别加检。检查时分开记录漏标、错标、边界偏差、属性错误和文件关联错误，说明问题是否影响模型训练或业务使用。抽检比例与通过口径需要根据任务复杂度和试标结果约定，不能事后任意调整。

返修闭环要能追到具体批次

　　审核员发现问题后，应将错误类型、样本 ID、规则依据和修改意见退回；标注员完成返修，再由复核人员确认。若某类错误重复出现，要检查规范、培训或预标注工具，而不是只修改被抽到的图片。争议样本保留仲裁结论，便于后续任务沿用同一口径。

交付包至少核对哪些内容

• 原始文件清单、数据来源与约定使用范围。
• 标签字典、正反例、标注规范及其版本。
• 图像与标注文件的一一对应、命名、坐标系和格式校验结果。
• 抽检记录、错误分级、返修与仲裁记录。
• 最终数据包版本、交付审批和目标训练环境的导入验证。

　　预标注工具可以提供候选结果，但不意味着免去人工质检。数据涉及个人信息、商业资料或受限场景时，还要核对脱敏、访问权限、导出审批和留存方式。关于标签规范、任务协同、质检及版本交付的系统范围，可参阅AI数据标注平台；实际服务验收指标应按具体数据任务约定。