没有答案的图， 教不会模型
标注把像素转成可监督的语义
AI 先标 人来验
具身智能 · 第七章
VLM 把“从零画标签”改造成“检查并修正”，但最终质量仍由人工审核与统一标准负责。
从零作业，变成 批改作业
效率提升来自工作重心变化：机器先给候选答案
会看大概， 不会精确测量
精确质量和尺寸应读取 3D/物理参数
错在哪里，就 修哪里
类别错就改标签
确认一次，写入 两类出口
标注既可留在 USD Prim 属性中
SECTION 01 / 阅读地图
小节一 · 没有答案的图， 教不会模型
按编号进入后续页面，逐项核对核心主张、工作机制与应用边界。
没有答案的图， 教不会模型
标注把像素转成可监督的语义，让模型知道“什么答案才算正确”。
关键线索RAW IMAGE只有像素箱子 · 塑料 · 可抓取ADD LABELS
同一个物体， 六种答案
类别回答“是什么”，掩码回答“每个像素属于谁”，属性补充“它有什么特征”。
关键线索类别CLASSBOXMASK
从零作业，变成批改作业
效率提升来自工作重心变化：机器先给候选答案，人负责检查与纠正。
关键线索纯人工 / 从零VLM + 人工找物体 → 画框描边 → 填属性
先看主张，再沿编号核对机制、证据与应用边界。
VISUAL RECAP
本节场景补充
READ THE SCENE
没有答案的图， 教不会模型
没有与任务对应的标签，原始图像无法直接成为监督信号。
读图顺序：先看对象和环境，再看它们之间的关系，最后回到本节结论。
图片只用于帮助观察本页关系；课程结论仍以正文和逐字稿为准。
01 // WHY LABEL
没有答案的图，教不会模型
标注把像素转成可监督的语义，让模型知道“什么答案才算正确”。
02 // LABEL TYPES
同一个物体，六种答案
类别回答“是什么”，掩码回答“每个像素属于谁”，属性补充“它有什么特征”。
03 // ASSISTED LABELING
从零作业，变成批改作业
效率提升来自工作重心变化：机器先给候选答案，人负责检查与纠正。
SECTION 02 / 阅读地图
小节二 · 图像 + 指令，输出候选标签
按编号进入后续页面，逐项核对核心主张、工作机制与应用边界。
图像 + 指令，输出候选标签
VLM 输出先被转换为结构化标注，再叠加到视口等待人工确认。
关键线索场景图像MAIN CAMERA标注指令PROMPT
会看大概， 不会精确测量
精确质量和尺寸应读取 3D/物理参数，不能把视觉猜测当测量值。
关键线索VLM 擅长常见物体类别大致材质与颜色空间关系描述
预标注之后，必须过三道门
标准流程是预标注、人工修正、确认保存；任何一步都不能直接跳过审核。
关键线索VLM自动预标注人工校验类别正确
先看主张，再沿编号核对机制、证据与应用边界。
VISUAL RECAP
本节场景补充
READ THE SCENE
图像 + 指令，输出候选标签
图像与指令可先产出候选标签，但不能代替人工核对。
读图顺序：先看对象和环境，再看它们之间的关系，最后回到本节结论。
图片只用于帮助观察本页关系；课程结论仍以正文和逐字稿为准。
04 // VLM FLOW
图像 + 指令，输出候选标签
VLM 输出先被转换为结构化标注，再叠加到视口等待人工确认。
05 // BOUNDARY
会看大概，不会精确测量
精确质量和尺寸应读取 3D/物理参数，不能把视觉猜测当测量值。
06 // HUMAN REVIEW
预标注之后，必须过三道门
标准流程是预标注、人工修正、确认保存；任何一步都不能直接跳过审核。
SECTION 03 / 阅读地图
小节三 · 错在哪里，就修哪里
按编号进入后续页面，逐项核对核心主张、工作机制与应用边界。
错在哪里，就修哪里
类别错就改标签，边界错就修掩码，漏标要补，物理属性要回到场景参数核对。
关键线索REVIEWDIAGNOSE类别错误下拉框改为正确类别
高质量标注， 四项同时过关
完整、准确、精确、一致缺一不可；数据量不能补偿系统性错标。
关键线索完整性NO MISSING准确性类别与属性正确
确认一次，写入两类出口
标注既可留在 USD Prim 属性中，也可导出标准格式进入训练管线。
关键线索CONFIRMEDLABEL SETSAVESYNC
先看主张，再沿编号核对机制、证据与应用边界。
VISUAL RECAP
本节场景补充
READ THE SCENE
错在哪里，就修哪里
错误类型被定位后，才知道应修改类别、边界还是属性。
读图顺序：先看对象和环境，再看它们之间的关系，最后回到本节结论。
图片只用于帮助观察本页关系；课程结论仍以正文和逐字稿为准。
07 // ERROR CLINIC
错在哪里，就修哪里
类别错就改标签，边界错就修掩码，漏标要补，物理属性要回到场景参数核对。
08 // QUALITY
高质量标注，四项同时过关
完整、准确、精确、一致缺一不可；数据量不能补偿系统性错标。
09 // SAVE & EXPORT
确认一次，写入两类出口
标注既可留在 USD Prim 属性中，也可导出标准格式进入训练管线。
RECAP // CHAPTER 07
机器提速， 人工保质
没有答案的图， 教不会模型
标注把像素转成可监督的语义
从零作业，变成 批改作业
效率提升来自工作重心变化：机器先给候选答案
会看大概， 不会精确测量
精确质量和尺寸应读取 3D/物理参数
错在哪里，就 修哪里
类别错就改标签
确认一次，写入 两类出口
标注既可留在 USD Prim 属性中
可靠的自动标注系统不是“全自动”，而是高效的人机协同质量流程。
SOURCE QUIZ // 10 MCQ
单选题 · 10题
第 1 / 10 题原讲义题库
得分 0 / 10
SOURCE PRACTICE 01
实操一 · 单物体全流程
VLM 自动标注 + 人工修正一个物体
任务描述：对场景中一个箱子完成从自动标注到人工确认的完整流程。
操作要求
- 打开上一章搭建的仓储场景
- 进入标注模式
- 运行 VLM 自动标注
- 选中红箱子，检查并修正类别、材质、颜色、质量、可抓取性
- 调整分割掩码使其精确贴合物体边缘
- 确认标注
- 截图保存标注结果（能看到彩色掩码和标签）
评分标准：VLM 预标注成功（20%）、属性填写正确（30%）、掩码精确（30%）、截图清晰（20%）。
SOURCE PRACTICE 02
实操二 · 三物体标注
完整标注 3 个物体
任务描述：对场景中 3 个待操作物体（2 个箱子 + 1 个托盘）完成全部标注。
操作要求
- 参照讲义步骤 3-5，完成所有 3 个物体的标注和审核
- 每个物体必须标注：类别、材质、颜色、质量、可抓取性
- 检查并修正所有分割掩码
- 确保没有漏标和错标
- 保存标注数据
- 验证：悬停物体显示正确的标注信息
提交要求
- 场景文件（含标注数据）
- 截图：标注模式下的整体场景截图（所有物体有彩色掩码）
- 导出的 JSON 标注文件
评分标准：所有物体标注完整（30%）、属性正确（30%）、掩码精确（20%）、保存导出成功（20%）。
SOURCE PRACTICE 03
实操三 · 错误排查
标注错误排查
任务描述：老师提供一个有故意标注错误的场景文件，你需要找出并修正所有错误。
错误类型包括（至少 3 个错误）
- 1 个漏标物体
- 1 个类别错误
- 1 个掩码边界不精确
- 1 个物理属性缺失
操作要求
- 打开老师提供的"有错误"场景
- 逐一检查每个物体的标注
- 找出所有错误并修正
- 保存修正后的场景
- 提交一份错误报告：列出发现的错误类型、位置、修正方法
评分标准：找出所有错误（40%）、修正方法正确（40%）、错误报告清晰（20%）。