本发明涉及数据处理，尤其涉及一种数据标注方法、装置、计算机设备及存储介质。
背景技术：
1、针对样本数据进行标注，属于对深度学习模型进行训练前常见的环节。目前，为了增加对样本数据的标注效率，可能会采用到自动标注装置对样本数据自动标注。然而，现有技术对样本数据进行自动标注时，存在难以保证得到的标注样本的质量的问题。
2、现有公告号cn112200273b公开了一种数据标注方法、装置、设备及计算机存储介质；其中，数据标注方法，包括：将待标注样本数据集输入到教师模型中进行标注，得到第一标注样本集，以及第一标注样本集中每一标注样本的可信度；在一个训练周期内，确定可信度阈值，从第一标注样本集中确定出第二标注样本集，使用第二标注样本集对学生模型进行训练，得到训练后的学生模型，并获取训练后的学生模型的目标评价指标；根据n个训练周期内获取的n个目标评价指标，从在n个训练周期内所确定的n个第二标注样本集中，确定出目标标注样本集，n为大于1的整数。能够实现对目标标注样本集的质量的验证，有效保证目标标注样本集的质量。
3、但是，对于复杂多样、分布不均或存在大量噪声的数据集，该方法可能无法有效地确定高质量的目标标注样本集。
技术实现思路
1、本发明的目的在于提供一种数据标注方法、装置、计算机设备及存储介质，解决了对于复杂多样、分布不均或存在大量噪声的数据集，该方法无法有效地确定高质量的目标标注样本集的问题。
2、为实现上述目的，本发明提供了一种数据标注方法，包括以下步骤：
3、在数据标注之前，对原始数据集进行预处理和清洗，以去除噪声和异常值；
4、使用多个不同的教师模型对同一数据集进行标注，以获取多个标注结果；
5、在数据标注过程中，实时收集标注人员的反馈和评估结果；
6、在每个训练周期结束后，对标注数据的质量进行评估；
7、根据标注数据的质量评估结果，动态调整教师模型和学生模型的参数和结构。
8、其中，在数据标注之前，对原始数据集进行预处理和清洗，以去除噪声和异常值，所述步骤还包括：
9、使用统计方法来识别并修正原始数据集中的错误和偏差；
10、应用机器学习技术来自动识别和过滤噪声数据；
11、对数据进行清洗，包括去除重复样本、处理缺失值以及消除异常值。
12、其中，使用多个不同的教师模型对同一数据集进行标注，以获取多个标注结果，所述步骤还包括：
13、训练多个不同的教师模型；
14、使用这些教师模型对同一清洗后的数据集进行标注，获取多个标注结果；
15、应用集成学习技术将多个标注结果融合为一个标注结果。
16、其中，在数据标注过程中，实时收集标注人员的反馈和评估结果，所述步骤还包括：
17、在数据标注过程中，实时收集标注人员的反馈和评估结果；
18、分析反馈和评估结果，了解标注过程中存在的问题和困难；
19、根据分析结果，实时调整标注过程。
20、其中，在每个训练周期结束后，对标注数据的质量进行评估，所述步骤还包括：
21、使用交叉验证、混淆矩阵、准确率、召回率等指标来量化评估标注数据的质量；
22、分析评估结果，了解标注数据中存在的不足和问题。
23、其中，根据标注数据的质量评估结果，动态调整教师模型和学生模型的参数和结构，所述步骤还包括：
24、使用增量学习技术，将新标注的高质量数据逐步加入到模型中，以更新模型并提高其性能和泛化能力；
25、重复上述步骤，不断迭代优化数据标注过程和模型性能。
26、一种数据标注装置，包括数据清洗模块、标注训练模块、评估模块和优化模块，所述数据清洗模块与所述标注训练模块连接，所述评估模块与所述标注训练模块连接，所述优化模块分别与所述评估模块和所述标注训练模块连接；
27、所述数据清洗模块，用于获取原始数据，并对原始数据集进行预处理和清洗，以去除噪声和异常值；
28、所述标注训练模块，用于使用多个不同的教师模型对同一清洗后的数据集进行标注，以获取多个标注结果，将多个标注结果融合为一个标注结果，并将其作为训练数据，用于学习模型的数据集；
29、所述评估模块，用于在数据标注过程中，实时收集标注人员的反馈和评估结果，以及在每个训练周期结束后，对标注数据的质量进行评估；
30、所述优化模块，用于根据标注数据的质量评估结果，动态调整教师模型和学生模型的参数和结构。
31、一种数据标注计算机设备，执行所述的数据标注方法。
32、一种数据标注存储介质，存储有计算机程序指令，计算机程序指令实现所述的数据标注方法。
33、本发明的一种数据标注方法、装置、计算机设备及存储介质，在数据标注之前，对原始数据集进行预处理和清洗，以去除噪声和异常值，使用统计方法或机器学习技术来识别和修正数据集中的错误和偏差，使用多个不同的教师模型对同一数据集进行标注，以获取多个标注结果，通过集成学习技术将多个标注结果融合为一个更准确的标注结果，在数据标注过程中，实时收集标注人员的反馈和评估结果，根据反馈和评估结果对标注过程进行实时调整，如调整标注难度、增加标注指导等，在每个训练周期结束后，对标注数据的质量进行评估，使用交叉验证、混淆矩阵、准确率、召回率等指标来评估标注数据的质量，根据标注数据的质量评估结果，动态调整教师模型和学生模型的参数和结构，使用增量学习技术，将新标注的高质量数据逐步加入到模型中，以提高模型的性能和泛化能力。有效地处理复杂多样、分布不均或存在大量噪声的数据集。预处理和清洗步骤有助于去除数据中的噪声和异常值；多模型标注与集成可以提高标注结果的准确性和一致性；实时反馈与质量控制可以确保标注过程的高质量进行；标注数据的质量评估可以确保最终标注数据的质量；增量学习与动态调整可以不断提高模型的性能和泛化能力。这些改进使得该方法能够更好地适应复杂多样的数据集，并有效地确定高质量的目标标注样本集。
1.一种数据标注方法，其特征在于，包括以下步骤：
2.如权利要求1所述的数据标注方法，其特征在于，在数据标注之前，对原始数据集进行预处理和清洗，以去除噪声和异常值，所述步骤还包括：
3.如权利要求2所述的数据标注方法，其特征在于，使用多个不同的教师模型对同一数据集进行标注，以获取多个标注结果，所述步骤还包括：
4.如权利要求3所述的数据标注方法，其特征在于，在数据标注过程中，实时收集标注人员的反馈和评估结果，所述步骤还包括：
5.如权利要求4所述的数据标注方法，其特征在于，在每个训练周期结束后，对标注数据的质量进行评估，所述步骤还包括：
6.如权利要求5所述的数据标注方法，其特征在于，根据标注数据的质量评估结果，动态调整教师模型和学生模型的参数和结构，所述步骤还包括：
7.一种数据标注装置，适用于如权利要求1至权利要求6任意一项所述的数据标注方法，其特征在于，
8.一种数据标注计算机设备，执行如权利要求1至权利要求6任意一项所述的数据标注方法。
9.一种数据标注存储介质，存储有计算机程序指令，计算机程序指令实现如权利要求1至权利要求6任意一项所述的数据标注方法。
