Что такое разметка данных?
Разметка данных — это процесс добавления меток к сырым изображениям, видео, аудио, тексту или 3D-сканам, чтобы по ним могла обучаться модель машинного обучения. Разметчик или инструмент явно указывает, что изображено, произнесено или написано, — и модель на множестве таких примеров учится находить те же закономерности в новых, ещё не размеченных данных.
Без размеченных примеров модель не понимает задачу: ей нужна пара «вход и правильный ответ» — фотография и рамка вокруг объекта, аудиозапись и её транскрипт, предложение и метка тональности. Чем точнее и однороднее разметка, тем увереннее модель обобщает найденную закономерность на новые данные, которых не было в обучающей выборке.
Термин «разметка данных» (data labeling или data annotation) относится ко всему обучению с учителем — самой распространённой парадигме машинного обучения. Она лежит в основе распознавания образов, компьютерного зрения, распознавания речи, обработки естественного языка и большей части современных LLM.
Спрос на разметку растёт вместе с рынком ИИ: по оценке Mordor Intelligence, мировой рынок data labeling вырос примерно с $2,3 млрд в 2026 году и продолжает расширяться темпом около 23% в год — в основном за счёт того, что каждая новая модель требует всё больше качественно размеченных примеров. Чем сложнее задача, тем выше цена ошибки в разметке: модель, обученная на неточных метках, будет так же неточно вести себя на реальных данных.
Какие бывают виды разметки данных?
Вид разметки определяется типом исходных данных и задачей, под которую готовится выборка. Для изображений и видео это bounding box, сегментация, ключевые точки и трекинг; для аудио — транскрибация и диаризация спикеров; для текста — разметка сущностей, классификация и тональность; для LiDAR — 3D-рамки и облака точек; для медицинских снимков — контуры патологий.
По типам данных виды разметки условно делятся на шесть направлений:
- Изображения — bounding box, полигоны, попиксельная сегментация, ключевые точки (позы, лица), классификация и OCR.
- Видео — покадровая детекция, трекинг объекта между кадрами, сегментация сцен, разметка событий и действий.
- Аудио и речь — транскрибация (verbatim или clean), диаризация спикеров, таймстемпы, разметка эмоций и интонаций.
- Текст — именованные сущности (NER), классификация, определение тональности, разметка интентов и отношений между сущностями.
- LiDAR и 3D — 3D bounding box, кубоиды, сегментация облака точек, совмещение с камерой (sensor fusion).
- Медицинские данные (DICOM) — сегментация патологий, детекция новообразований, классификация снимков КТ и МРТ.
Подробный разбор с примерами инструментов и форматов для каждого направления собран в отдельном материале о видах разметки данных.
Как выглядят примеры разметки на практике?
На фотографии с улицей это может быть прямоугольная рамка вокруг каждого автомобиля с меткой класса; в аудиозаписи звонка — построчный транскрипт с указанием, кто из двух спикеров говорит; в отзыве покупателя — метка тональности «негативная» и выделенная сущность «доставка» как причина недовольства.
Разберём три показательных примера:
- Компьютерное зрение. Для обучения модели детекции товаров на полке магазина размечают тысячи фотографий: вокруг каждой упаковки рисуют bounding box и присваивают класс товара (SKU). Модель учится находить и распознавать товары на новых фото без участия человека.
- Распознавание речи. Чтобы обучить систему автоматической транскрибации звонков колл-центра, аудиозаписи размечают построчно: текст произнесённого, таймкоды начала и конца фразы, метка спикера. На этих парах «звук — текст» модель учится переводить речь в текст.
- Обработка текста. Для модели, которая ищет упоминания компаний в новостях, в тексте размечают именованные сущности — названия организаций, персон, дат — и передают модели как обучающие примеры для задачи NER.
Похожая логика применяется и в узкоспециализированных доменах. На медицинском снимке КТ врач-эксперт обводит контур новообразования, и по сотням таких контуров модель учится подсвечивать подозрительные участки на новых снимках. В LiDAR-сцене беспилотного автомобиля вокруг каждого пешехода, машины и препятствия строят 3D bounding box — так модель учится понимать не плоскую картинку, а объём и расстояние до объекта.
Как устроен процесс разметки данных?
Процесс обычно включает четыре этапа: бриф и гайдлайн (что именно и как размечать), пилот на тестовой партии для проверки инструкции, промышленную разметку основного объёма силами команды и финальный контроль качества с выгрузкой в нужном формате.
На этапе брифа заказчик и команда разметки согласуют классы объектов, тип задачи, объём данных и целевую точность — так рождается гайдлайн, письменная инструкция для разметчиков с примерами правильных и спорных случаев. Пилот на небольшой тестовой партии нужен, чтобы обкатать инструкцию до старта основного объёма: становится видно, где формулировки гайдлайна допускают разное толкование.
После пилота начинается промышленный этап: данные распределяют между разметчиками, спорные случаи эскалируют на более опытных специалистов или на консенсус нескольких мнений. Завершает процесс выборочный аудит готовой партии и выгрузка в согласованном формате — COCO, YOLO, CVAT XML, JSON или другом, под конкретный пайплайн обучения.
Сам процесс редко идёт вручную «в блокноте» — почти всегда используют специализированный инструмент разметки: CVAT и Supervisely для изображений, видео и 3D-сцен, Label Studio для текста и аудио, либо внутреннюю платформу заказчика. Инструмент задаёт интерфейс разметчику, хранит версии гайдлайна и считает часть метрик качества автоматически, что ускоряет и промышленный этап, и последующий аудит.
Как оценивают качество разметки данных?
Качество измеряют численно, а не «на глаз»: считают точность (accuracy) на контрольной выборке, сверенной экспертом, и межаннотаторское согласие (inter-annotator agreement, IAA) — насколько совпадают ответы разных разметчиков на одних и тех же примерах. Расхождения выше порога — сигнал переработать гайдлайн.
Помимо метрик, на практике применяют консенсус (несколько разметчиков размечают один и тот же пример, берётся согласованный или мажоритарный ответ) и многоуровневую проверку, когда отдельный QA-специалист выборочно перепроверяет уже готовую разметку. Для регулируемых доменов — например, медицинских снимков — в контур проверки добавляют профильного эксперта.
Сколько стоит разметка данных?
Стоимость разметки данных зависит от типа данных, сложности задачи (простая рамка дешевле попиксельной сегментации), требуемой точности и объёма партии — единой цифры «для всех» не существует. Актуальные вилки цен по типам данных и интерактивный калькулятор расчёта собраны на отдельной странице.
Прежде чем считать смету, стоит определить: сколько единиц данных нужно разметить, какой вид разметки требуется (или их комбинация) и какая точность критична для модели — от этого зависит, сколько раз каждый пример проверят перед сдачей. Многие подрядчики, включая DataMarkup, предлагают бесплатный пилот на тестовой партии — это позволяет увидеть качество и получить точную смету ещё до старта основного объёма, без риска заплатить за «пристрелку» инструкции.