在进行项目研究时，通常需要搜集开源数据集。但是所能搜集到的数据集通常会存在形式上的差异，比如我想要的是语义分割数据，而搜集到的数据集却是目标检测数据；在这种情况下所搜集的数据就完成没有利用价值了么？不，其还存在价值，我们可以通过模型训练对数据标签的标注粒度进行优化。

本博文基于paddleseg实现将烟火目标检测数据优化为烟火分割数据。具体效果如下所示：原始的目标检测数据变成了标注更为精准的语义分割数据。关于数据迭代中，在那一轮终止，又或者如果决断伪标签与原始真标签的差异并没有深入（通常目标检测数据的标签直接转换为目标检测后，属于误标注多，漏标注的少；而，基于训练生成的伪标签属于存在误检多的情况，应当基于原始标签对伪标签进行二次约束）。

1、数据标注粒度分析

1.1 图像分类、目标检测、语义分割数据分析

从数据的标注粒度角度论证的，在通用的ai图像领域，有图像分类（场景识别）、目标检测（对象识别）、语义分割（像素识别）。图像分类用于输入图像，输出图像类型的任务（或场景目类别，比如猫狗照片分类、图像风格分类、图像主体成分分类）；目标检测用于输入图像，输出图像中所包含的目标位置类别；语义分割为输入图像，输出每一个像素的类别。

在不同的数据标注等级下，标注的粒度与成本是存在差异的。图像分类数据标注࿰