数据打标签方法

手动标注 人工通过标注工具对数据进行分类或标记，适用于小规模高质量数据集。常见工具有LabelImg、Prodigy、CVAT等，适合图像、文本或音频数据的精细标注。

半自动标注 结合预训练模型与人工校正，先用模型生成初步标签，再由人工审核调整。例如用BERT对文本分类预标注，或YOLO对物体检测预标注，显著提升效率。

众包标注 通过Amazon Mechanical Turk等平台分发标注任务，适合大规模数据但需设计严格质量控制机制，如设置重复任务检验一致性。

自动化工具 特定场景可用工具自动生成标签，如OCR提取文字标签，语音识别转文本标签。需注意错误累积问题，建议配合抽样复核。

标签质量控制

标注规范 制定详细标注手册，明确边界案例处理方式。例如图像中遮挡物体是否标注，文本中的歧义实体归属等。

多人校验 采用多人独立标注同一数据，计算Krippendorff's Alpha等一致性指标。公式： $$ \alpha = 1 - \frac{D_o}{D_e} $$ 其中$D_o$为观测分歧，$D_e$为预期分歧。

迭代优化 通过bad case分析持续更新标注规则，对争议样本建立仲裁机制。定期组织标注人员培训校准标准。

标签存储格式

结构化存储 推荐使用JSON Lines或Parquet格式，示例：

{
  "id": "sample_001",
  "data": "path/to/image.jpg",
  "labels": [
    {"class": "cat", "bbox": [x1,y1,x2,y2]},
    {"class": "dog", "confidence": 0.92}
  ],
  "annotator": "user_123",
  "timestamp": "2023-07-20T08:30:00Z"
}

版本控制 使用dvc或git-lfs管理标签变更历史，确保可追溯性。每次修改保留原始标签副本。

领域特定实践

NLP标注 使用BIOES格式进行实体标注，例如：

欧/B-ORG 盟/I-ORG 宣/O 布/O 新/O 政/O 策/O

计算机视觉 COCO格式兼容多数框架：

annotations = [{
  "id": 1,
  "image_id": 100,
  "category_id": 2,
  "segmentation": [[x1,y1,x2,y2...]],
  "area": 1200,
  "bbox": [x,y,width,height],
  "iscrowd": 0
}]

时序数据标注 对于传感器数据采用滑动窗口标记，明确标注区间起止时间戳，建议使用Pandas存储：

df_labels = pd.DataFrame({
  'start': ['2023-01-01 00:00:00'],
  'end': ['2023-01-01 00:00:05'],
  'label': ['normal_operation']
})