2025年人工智能訓(xùn)練師模擬試卷附答案(數(shù)據(jù)標(biāo)注與計(jì)算機(jī)視覺)一、單項(xiàng)選擇題（每題2分，共20分）1.在COCO數(shù)據(jù)集中，若某張圖片的標(biāo)注文件出現(xiàn)"segmentation":[[120.5,136.2,145.8,136.2,145.8,158.3,120.5,158.3]]，該字段最可能表示A.旋轉(zhuǎn)矩形框B.四點(diǎn)構(gòu)成的多邊形實(shí)例掩碼C.關(guān)鍵點(diǎn)骨架D.圖像級分類標(biāo)簽答案：B解析：COCO的segmentation字段若為二維數(shù)組，且元素個數(shù)為8，則代表四點(diǎn)坐標(biāo)順序連接形成閉合多邊形，用于實(shí)例分割掩碼。旋轉(zhuǎn)矩形需五個參數(shù)，關(guān)鍵點(diǎn)用三階嵌套，圖像級標(biāo)簽無segmentation字段。2.使用Labelme標(biāo)注工具導(dǎo)出JSON后，發(fā)現(xiàn)某多邊形點(diǎn)的坐標(biāo)出現(xiàn)負(fù)值，最合理的處理策略是A.直接刪除負(fù)值點(diǎn)B.將負(fù)值取絕對值C.檢查是否越界并做邊界裁剪D.重新標(biāo)注整張圖答案：C解析：負(fù)值通常由標(biāo)注時鼠標(biāo)移出圖像窗口導(dǎo)致，直接刪除或取絕對值會破壞幾何形狀；重新標(biāo)注成本高；裁剪到0或圖像寬高范圍內(nèi)可最大限度保留信息。3.在目標(biāo)檢測任務(wù)中，若采用YOLOv5的mosaic增強(qiáng)，下列哪項(xiàng)參數(shù)決定四張圖拼合后最終輸出的尺寸A.img_sizeB.mosaic_probC.mixup_scaleD.anchor_t答案：A解析：img_size指定網(wǎng)絡(luò)輸入尺寸，mosaic將四張圖拼成一張后統(tǒng)一resize到該尺寸；其余參數(shù)控制概率、縮放比例、anchor匹配閾值，與最終尺寸無關(guān)。4.當(dāng)使用COCOAPI計(jì)算mAP時，若將maxDets從100改為20，則A.mAP會一定提高B.mAP會一定降低C.mAP可能升高也可能降低，取決于召回率變化D.mAP不變答案：C解析：maxDets限制每張圖最多檢測框數(shù)，減少后高置信度框被保留，若原本低置信度框?yàn)門P，則Recall下降導(dǎo)致mAP降低；若原本低置信度框?yàn)镕P，則Precision上升導(dǎo)致mAP升高，故結(jié)果不確定。5.在語義分割標(biāo)注中，若采用“W”型標(biāo)注法，其主要解決A.類別不平衡B.邊緣鋸齒C.目標(biāo)遮擋D.小目標(biāo)漏標(biāo)答案：B解析：“W”型標(biāo)注指沿邊緣以密集折線形成“W”軌跡，可逼近曲線，減少像素級鋸齒；與類別、遮擋、小目標(biāo)無直接關(guān)系。6.使用OpenCV的cv2.findContours時，參數(shù)cv2.RETR_EXTERNAL與cv2.CHAIN_APPROX_SIMPLE組合，得到的contours長度A.一定等于輪廓實(shí)際像素點(diǎn)數(shù)B.一定小于等于實(shí)際像素點(diǎn)數(shù)C.一定大于實(shí)際像素點(diǎn)數(shù)D.與圖像分辨率無關(guān)答案：B解析：CHAIN_APPROX_SIMPLE會壓縮水平、垂直、對角直線段，僅保留端點(diǎn)，故點(diǎn)數(shù)≤實(shí)際像素點(diǎn)；RETR_EXTERNAL只返回最外層輪廓，不影響點(diǎn)數(shù)。7.在數(shù)據(jù)標(biāo)注質(zhì)量審核階段，采用“雙人標(biāo)注+第三人仲裁”模式，若A與B的IoU均值為0.81，仲裁者C與A的IoU為0.92，與B的IoU為0.73，則最終應(yīng)A.直接采納A的結(jié)果B.直接采納B的結(jié)果C.采納C修正后的結(jié)果D.要求A重新標(biāo)注答案：C解析：仲裁者C與A高度一致，說明A標(biāo)注質(zhì)量高；但C與B差異大，需C結(jié)合兩者優(yōu)勢修正，而非簡單采納單方；重新標(biāo)注成本高，修正即可。8.當(dāng)訓(xùn)練MaskRCNN時，若mask分支損失突然變?yōu)镹aN，最先排查的超參是A.BASE_LRB.MASK_POOL_SIZEC.ROI_POSITIVE_RATIOD.WARMUP_ITERS答案：A解析：學(xué)習(xí)率過大導(dǎo)致梯度爆炸，mask分支輸出溢出成NaN；其余參數(shù)影響采樣、尺寸、比例，不會直接產(chǎn)生數(shù)值溢出。9.在自動駕駛車道線數(shù)據(jù)集中，若采用Bézier曲線標(biāo)注，控制點(diǎn)數(shù)量一般取A.2B.3C.4D.5答案：C解析：三次Bézier（4控制點(diǎn)）可擬合直線、緩曲線、S彎，兼顧精度與標(biāo)注效率；二次（3點(diǎn)）對S彎不足；五次（6點(diǎn)）標(biāo)注成本高。10.使用Python腳本批量轉(zhuǎn)換VOCXML到Y(jié)OLOtxt時，若圖像寬為1920，某目標(biāo)xmin=300，xmax=500，則歸一化后的中心點(diǎn)x應(yīng)為A.0.156B.0.208C.0.260D.0.417答案：B解析：中心點(diǎn)x=(300+500)/2=400，歸一化400/1920≈0.208。二、多項(xiàng)選擇題（每題3分，共15分，多選少選均不得分）11.下列哪些操作可有效緩解實(shí)例分割數(shù)據(jù)集中“目標(biāo)內(nèi)部空洞”標(biāo)注錯誤A.形態(tài)學(xué)閉運(yùn)算后驗(yàn)證B.強(qiáng)制要求標(biāo)注員使用鋼筆工具沿邊緣連續(xù)描邊C.在QGIS中疊加?xùn)鸥駲z查孔洞D.采用交互式分割算法生成初始掩碼再由人工微調(diào)答案：A、C、D解析：B僅改變描邊方式，無法發(fā)現(xiàn)空洞；閉運(yùn)算可填補(bǔ)小洞；GIS工具可視孔洞；交互式分割減少遺漏。12.關(guān)于COCO數(shù)據(jù)格式，以下字段必須出現(xiàn)在annotations列表中的有A.idB.image_idC.category_idD.area答案：A、B、C解析：area雖常用，但官方評估腳本不強(qiáng)制；id、image_id、category_id為索引與分類必需。13.在訓(xùn)練YOLOv7時，若啟用albumentations庫，下列哪些變換可能改變bbox坐標(biāo)A.RandomRotate90B.HueSaturationValueC.RandomBrightnessContrastD.Affine答案：A、D解析：旋轉(zhuǎn)與仿射會改變坐標(biāo)；顏色變換僅改像素值，不影響坐標(biāo)。14.當(dāng)使用HRNet做關(guān)鍵點(diǎn)檢測，若輸出heatmap尺寸為64×48，原圖尺寸為512×384，則A.下采樣倍率為8B.關(guān)鍵點(diǎn)坐標(biāo)需乘以8映射回原圖C.若采用softargmax可亞像素級定位D.必須將原圖resize到64×48再推理答案：A、B、C解析：512/64=8；softargmax可突破網(wǎng)格限制；推理時保持原圖尺寸，網(wǎng)絡(luò)內(nèi)部下采樣，無需提前resize。15.在構(gòu)建人臉表情識別數(shù)據(jù)集時，為符合GDPR，應(yīng)A.采集前簽署知情同意書B.對可識別身份區(qū)域打馬賽克C.存儲時加密人臉特征向量D.公開發(fā)布時去除EXIF信息答案：A、C、D解析：打馬賽克會破壞表情標(biāo)簽，不可取；其余均為合規(guī)操作。三、判斷題（每題1分，共10分，正確打“√”，錯誤打“×”）16.在COCO評估中，若某預(yù)測框與GT框IoU=0.449，則該框在IoU=0.5閾值下被記為FP。答案：√解析：IoU低于閾值即視為FP。17.使用LabelImg標(biāo)注旋轉(zhuǎn)矩形時，生成的XML文件會額外記錄angle字段。答案：×解析：LabelImg僅支持軸對齊矩形，無angle字段；旋轉(zhuǎn)矩形需roLabelImg。18.在語義分割中，若采用ignore_index=1，則CrossEntropyLoss會自動忽略對應(yīng)像素梯度。答案：√解析：PyTorch實(shí)現(xiàn)中ignore_index參數(shù)直接屏蔽。19.當(dāng)使用MixUp增強(qiáng)時，兩張圖的標(biāo)簽向量直接相加即可，無需加權(quán)。答案：×解析：需按混合比例λ加權(quán)求和。20.在數(shù)據(jù)標(biāo)注外包管理中，設(shè)置“黃金題”插入常規(guī)任務(wù)可實(shí)時計(jì)算標(biāo)注員準(zhǔn)確率。答案：√解析：黃金題即已知答案的質(zhì)檢題，用于動態(tài)監(jiān)控。21.OpenCV的cv2.warpPerspective函數(shù)，若變換矩陣為3×3，則輸出圖像尺寸必須與原圖一致。答案：×解析：輸出尺寸可自定義，與矩陣無關(guān)。22.在YOLO系列中，anchorfree版本如YOLOX不再需要kmeans聚類先驗(yàn)框。答案：√解析：YOLOX使用anchorfreehead。23.當(dāng)使用DiceLoss時，若預(yù)測全黑圖，則損失值為1。答案：√解析：Dice=0，Loss=1Dice=1。24.在CVAT中，導(dǎo)出“分割”格式可直接獲得COCOpanoptic標(biāo)注。答案：×解析：需額外安裝panoptic插件并運(yùn)行轉(zhuǎn)換腳本。25.對于小目標(biāo)檢測，提高輸入分辨率一定能提升mAP。答案：×解析：過高分辨率可能使目標(biāo)過大超出感受野，且顯存限制導(dǎo)致batch減小，反而降低性能。四、填空題（每空2分，共20分）26.在COCO數(shù)據(jù)集中，類別“car”對應(yīng)的category_id是________。答案：3解析：COCO2017官方id，car=3。27.使用Python生成20類語義分割mask，若采用P模式調(diào)色板，調(diào)色板長度應(yīng)為________字節(jié)。答案：60解析：20類×3通道RGB，每通道1字節(jié)，共60字節(jié)。28.當(dāng)使用YOLOv5的autoanchor功能時，默認(rèn)聚類算法為________。答案：kmeans++解析：源碼中kmean_anchors函數(shù)調(diào)用kmeans++初始化。29.在OpenCV中，將BGR圖轉(zhuǎn)為RGB的正確代碼為img=cv2.cvtColor(img,cv2.COLOR________)。答案：BGR2RGB解析：宏名稱即COLOR_BGR2RGB。30.若某模型在驗(yàn)證集上的混淆矩陣中，TP=88，F(xiàn)P=12，F(xiàn)N=10，則Precision為________%。答案：88解析：Precision=TP/(TP+FP)=88/100=0.88。31.在COCO評估腳本中，計(jì)算AP時使用的積分方式為________插值。答案：11point解析：COCO官方采用在0.0:0.1:1.0共11點(diǎn)插值。32.使用albumentations時，若要隨機(jī)裁剪并保證bbox至少可見面積比例≥0.7，需設(shè)置參數(shù)________≥0.7。答案：bbox_params中的min_visibility解析：min_visibility控制可見比例。33.在Labelme中，快捷鍵“Ctrl+Shift+R”的作用是________。答案：創(chuàng)建矩形解析：官方快捷鍵表。34.當(dāng)使用PyTorch的DistributedDataParallel時，默認(rèn)使用________后端初始化進(jìn)程組。答案：nccl解析：GPU訓(xùn)練默認(rèn)nccl。35.在MaskRCNN中，mask分支輸出尺寸為________×________。答案：28×28解析：原始論文固定28×28掩碼。五、簡答題（每題8分，共24分）36.描述“邊緣像素?cái)U(kuò)邊”策略在語義分割標(biāo)注質(zhì)檢中的具體步驟，并說明其如何減少“邊緣漏標(biāo)”（需給出偽代碼）。答案：步驟：1)讀取標(biāo)注maskM（0背景，1目標(biāo)）；2)使用cv2.findContours獲得目標(biāo)外輪廓C；3)對外輪廓C向內(nèi)偏移d像素，得到C_in；4)構(gòu)建內(nèi)縮掩碼M_in，將C_in內(nèi)部填1；5)計(jì)算差集Δ=M⊕M_in，若Δ中非零像素占比>τ，則判定邊緣漏標(biāo)；6)將Δ高亮提示標(biāo)注員補(bǔ)標(biāo)。偽代碼：```pythonimportcv2importnumpyasnpdefedge_dilate_check(mask,d=3,tau=0.01):contours,_=cv2.findContours(mask,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)canvas=np.zeros_like(mask)cv2.drawContours(canvas,contours,1,1,1)kernel=np.ones((d,d),np.uint8)inner=cv2.erode(canvas,kernel,iterations=1)delta=canvasinnerifnp.sum(delta)/np.sum(canvas)>tau:returnFalse,delta需補(bǔ)標(biāo)returnTrue,None```解析：通過形態(tài)學(xué)腐蝕模擬“理想內(nèi)縮”，差集區(qū)域即為可能漏標(biāo)的邊緣，可量化評估。37.說明在關(guān)鍵點(diǎn)檢測任務(wù)中，如何使用“可見性標(biāo)記”提升模型魯棒性，并給出訓(xùn)練階段與推理階段的不同處理方式。答案：訓(xùn)練階段：1)將關(guān)鍵點(diǎn)標(biāo)注為(x,y,v)，v=0未標(biāo)注，v=1遮擋不可見，v=2可見；2)計(jì)算損失時，僅v≥1的點(diǎn)參與L2回歸；v=2的點(diǎn)權(quán)重設(shè)為1.0，v=1設(shè)為0.5，v=0忽略；3)數(shù)據(jù)增強(qiáng)如翻轉(zhuǎn)時，同步翻轉(zhuǎn)v值，若翻轉(zhuǎn)后超出圖像邊界則置v=0。推理階段：1)模型輸出heatmap及可見性分支；2)對heatmap執(zhí)行softargmax得亞像素坐標(biāo)；3)可見性分支輸出概率p，若p<0.5則丟棄該點(diǎn)；4)后處理使用OKSNMS時，僅對v=2的點(diǎn)計(jì)算OKS，避免遮擋點(diǎn)干擾。解析：可見性標(biāo)記使模型顯式學(xué)習(xí)遮擋概念，訓(xùn)練階段加權(quán)損失降低噪聲，推理階段過濾低置信度點(diǎn)，提升整體AP。38.列舉三種“自動預(yù)標(biāo)注”在工業(yè)質(zhì)檢場景中的落地方案，并對比其適用條件與風(fēng)險(xiǎn)。答案：方案1：傳統(tǒng)視覺規(guī)則方法：使用Blob分析+形態(tài)學(xué)提取缺陷區(qū)域；適用：背景均勻、缺陷與灰度差異大（如鋼板劃痕）；風(fēng)險(xiǎn)：光照變化導(dǎo)致誤檢，需頻繁調(diào)參。方案2：弱監(jiān)督實(shí)例分割（Pointlevel）方法：工程師僅點(diǎn)一下缺陷中心，模型用PointRend生成mask；適用：缺陷形狀復(fù)雜但數(shù)量少（如液晶面板亮點(diǎn)）；風(fēng)險(xiǎn)：點(diǎn)位置偏差造成mask漂移，需人工二次修正。方案3：自訓(xùn)練（Selftraining）方法：先用10%精標(biāo)數(shù)據(jù)訓(xùn)練教師模型，再對90%未標(biāo)數(shù)據(jù)推理生成偽標(biāo)簽，迭代微調(diào)；適用：數(shù)據(jù)量大、類別均衡（如PCB板焊點(diǎn)）；風(fēng)險(xiǎn)：偽標(biāo)簽錯誤累積，需設(shè)置置信度閾值與人工抽檢。解析：規(guī)則法零成本但魯棒差；弱監(jiān)督節(jié)省90%標(biāo)注時間但需人工修正；自訓(xùn)練可擴(kuò)展但需嚴(yán)格質(zhì)量控制。六、綜合應(yīng)用題（共31分）39.（15分）某工廠需構(gòu)建“螺絲缺陷檢測”數(shù)據(jù)集，已知：螺絲直徑8~12mm，圖像分辨率4096×3000，相機(jī)工作距離固定；缺陷類型：缺角、劃痕、螺紋損傷；每日產(chǎn)線產(chǎn)出10萬張圖像，人工質(zhì)檢員僅能在1小時內(nèi)抽檢500張；目標(biāo)：訓(xùn)練檢測模型mAP≥0.9，缺陷召回率≥98%。請給出“數(shù)據(jù)標(biāo)注策略”完整方案，包括：1)采集與篩選；2)預(yù)標(biāo)注；3)精標(biāo)流程；4)質(zhì)量控制；5)迭代機(jī)制。答案：1)采集與篩選：觸發(fā)拍照：在振動盤出口安裝光電傳感器，確保螺絲正面朝上；篩選規(guī)則：使用傳統(tǒng)模板匹配預(yù)過濾“明顯OK”樣本，僅保留Top10%疑似NG及隨機(jī)1%OK，降低標(biāo)注量至1萬張/日；數(shù)據(jù)分層：按班次、光照、螺絲型號分層采樣，保證分布均衡。2)預(yù)標(biāo)注：采用“無監(jiān)督差異圖”方法：將當(dāng)前圖像與無缺陷模板做差分，閾值分割得候選區(qū)域；使用CenterNet訓(xùn)練初始模型（僅用200張精標(biāo)數(shù)據(jù)），生成bbox與類別；預(yù)標(biāo)注置信度>0.7的框自動提交，其余進(jìn)入人工池。3)精標(biāo)流程：工具：使用CVAT，開啟“mask”模式，對劃痕用Brush工具描邊，缺角用多邊形；標(biāo)注順序：先標(biāo)NG，再標(biāo)OK，避免漏標(biāo)；快捷鍵：設(shè)置“d”為下一張，“s”為保存，平均單張耗時15秒。4)質(zhì)量控制：雙人盲標(biāo)：10%重疊，IoU<0.85進(jìn)入仲裁；黃金題：每日插入50張已知缺陷，標(biāo)注員準(zhǔn)確率<95%則重新培訓(xùn)；抽檢比例：項(xiàng)目初期100%，數(shù)據(jù)量>5000后降至10%，但每日抽檢不少于200張。5)迭代機(jī)制：每周用最新模型對全量未標(biāo)數(shù)據(jù)推理，召回率<98%的圖像加入“困難池”；困難池優(yōu)先標(biāo)注，持續(xù)擴(kuò)充至缺陷樣本占比≥40%；每月重新訓(xùn)練模型，若mAP提升<0.5%則停止迭代。解析：通過“模板+差異圖”預(yù)過濾，將10萬→1萬；CenterNet預(yù)標(biāo)節(jié)省70%時間；雙人+黃金題保證質(zhì)量；困難池迭代確保高召回。40.（16分）閱讀下列代碼片段，回答問題：```pythonimporttorch,mathdefiou_loss(pred,target,eps=1e6):pred_l,pred_t,pred_r,pred_b=pred.chunk(4,dim=1)target_l,target_t,target_r,target_b=target.chunk(4,dim=1)pred_area=(pred_l+pred_r)(pred_t+pred_b)target_area=(target_l+target_r)(target_t+target_b)intersect_x=torch.min(pred_l,target_l)+torch.min(pred_r,target_r)intersect_y=torch.min(pred_t,target_t)+torch.min(pred_b,target_b)int