2026年人工智能训练师考试数据标注与机器学习模型训练实战试卷及答案

2026年人工智能训练师考试数据标注与机器学习模型训练实战试卷及答案一、单项选择题（每题2分，共20分）1.在目标检测任务中，IoU（IntersectionoverUnion）用于衡量预测框与真实框的重叠程度，其计算公式为？A.交集面积/并集面积B.并集面积/交集面积C.交集面积×并集面积D.预测框面积/真实框面积答案：A解析：IoU定义为预测框与真实框交集面积与并集面积的比值，取值范围为[02.在数据清洗过程中，某一特征列的缺失值占比超过60%，最合理的处理方式是？A.用均值填充B.用中位数填充C.删除该特征列D.用回归模型预测填充答案：C解析：缺失率过高时该特征携带的有效信息极少，均值填充或模型预测填充都会引入较大偏差，删除该特征列最稳妥。3.在图像分类任务中，对训练数据执行随机水平翻转、随机裁剪、颜色抖动等操作，最主要目的是？A.减少模型的参数量B.增加数据多样性，抑制过拟合C.降低图像的分辨率以加快训练速度D.消除图像中的噪声答案：B4.文本标注员将"苹果公司发布了新款手机"标注为"科技"类别，这一标注类型属于？A.命名实体识别B.关系抽取C.文本分类标注D.语义角色标注答案：C解析：该任务是将整条文本划入预定义类别，属于文本分类标注；命名实体识别需标出"苹果公司""新款手机"等实体。5.在数据标注质量管理中，计算两名标注人员对同一批样本标注结果的Kappa系数，主要用于评估？A.标注效率的高低B.标注员之间的标注一致性C.标注数据的多样性D.模型的推理准确率答案：B解析：Kappa系数衡量不同标注者之间的一致性，通常要求达到0.8以上才视为标注质量可靠。6.模型在训练集上表现良好，但在验证集上表现明显下降，最可能的原因是？A.学习率过高B.模型过拟合C.批量大小过大D.损失函数选择错误答案：B解析：训练集好、验证集差是过拟合的典型表现。学习率过高通常表现为训练集损失和验证集损失都难以下降。7.在目标检测数据标注中，当目标物体被其他物体部分遮挡时，标注规范通常要求？A.只标注目标可见部分B.跳过该目标，不进行标注C.标注完整物体边界框，即使部分被遮挡D.使用虚线框标注被遮挡的边界答案：C解析：业界通用做法是标注完整物体，即使其部分被遮挡，以保证模型能学习到物体的完整形态特征。8.深度学习模型训练过程中，学习率设置过大会导致？A.收敛速度变快且效果更好B.损失值震荡，难以收敛C.梯度消失D.显存溢出答案：B解析：学习率过大使参数更新步伐过大，在损失函数曲面中来回震荡甚至发散；学习率过小才会导致收敛缓慢。9.在NLP数据预处理中，去除"的""了""吗"等停用词，属于以下哪个环节？A.数据标注B.数据清洗C.数据增强D.模型评估答案：B10.下列哪一项不属于抑制模型过拟合的常用手段？A.早停法（EarlyStopping）B.DropoutC.数据增强D.减小损失函数的权重系数答案：D解析：早停、Dropout、数据增强、L1/L2正则化均为常用防过拟合手段；减小损失函数权重只改变损失量级，不影响泛化性能。二、多项选择题（每题3分，共15分）1.关于数据标注，下列说法正确的有？A.图像分类标注的目的是让模型学会识别图像的类别B.目标检测标注通常需要绘制边界框或标注中心点C.语义分割标注只需要标注图像的整体类别D.语音识别任务需要对音频进行文字转写标注E.点云标注不属于数据标注的范畴答案：ABD解析：语义分割需要逐像素标注而非整体类别，C错误；点云标注是自动驾驶领域常见标注类型，E错误。2.以下哪些方法可以有效缓解训练数据类别不平衡问题？A.对少数类样本进行过采样（如SMOTE）B.对多数类样本进行欠采样C.使用FocalLoss等带权损失函数D.增大训练批量大小E.提高学习率答案：ABC解析：过采样、欠采样和带权损失函数均可缓解类别不平衡；增大批量或提高学习率与类别分布无关。3.关于批量归一化（BatchNormalization），下列说法正确的有？A.可以加速模型收敛B.可以缓解梯度消失或爆炸问题C.可以完全替代DropoutD.在训练和推理阶段均发挥作用E.只适用于卷积神经网络答案：ABD解析：批量归一化对输入分布进行标准化，可加快收敛并缓解梯度问题，但不能完全替代Dropout，也不仅限CNN使用。4.在目标检测模型评估中，下列哪些属于常用评价指标？A.mAP@0.5B.IoUC.F1-ScoreD.BLEUE.困惑度Perplexity答案：ABC解析：BLEU是机器翻译指标，困惑度常用于语言模型评估，均不属于目标检测指标。5.关于模型超参数调优，下列做法正确的有？A.网格搜索可系统遍历指定超参数组合B.随机搜索在高维超参数空间中通常比网格搜索更高效C.学习率衰减策略有助于模型收敛稳定D.批量大小必须设置为2的幂次E.早停法需要监控验证集指标来决定是否停止训练答案：ABCE解析：批量大小取2的幂次只是工程惯例，并非强制要求，D错误。三、判断题（每题1分，共10分）1.在图像目标检测标注中，边界框的坐标单位必须是像素值。答案：错误解析：可以是像素坐标（如COCO数据集），也可以是归一化坐标（如YOLO数据集的x,y,2.数据增强技术只适用于图像数据，不适用于文本和语音数据。答案：错误解析：文本可通过同义词替换、回译增强，语音可通过变速、加噪增强，数据增强适用于多模态数据。3.在数据标注项目中，建立标注质检和抽检制度可以有效控制标注质量。答案：正确4.模型训练中，Epoch数量设置得越大越好。答案：错误解析：Epoch过多可能导致模型在训练集上过拟合，验证集指标下降，应结合早停法动态确定。5.训练集、验证集、测试集的划分应在数据预处理完成后进行。答案：错误解析：应在数据预处理之前划分，避免预处理时使用全量数据统计信息（如均值、方差）造成数据泄露。6.FocalLoss通过降低易分样本的权重，使模型更关注难分样本，从而缓解类别不平衡问题。答案：正确7.数据清洗包括处理重复数据、异常值和缺失值等内容。答案：正确8.在深度学习中，使用ReLU激活函数可以完全避免梯度消失问题。答案：错误解析：ReLU的梯度为f′(x)=1（当9.迁移学习可以加快模型收敛速度并减少训练所需的数据量。答案：正确10.标注工具的选择不会影响标注效率和数据质量。答案：错误四、简答题（每题5分，共15分）1.请列举至少5种常见的数据标注类型。答案：(1)图像分类标注；(2)目标检测标注（矩形框、多边形框）；(3)图像语义分割/实例分割标注；(4)关键点标注（如人体关键点、人脸关键点）；(5)文本分类标注；(6)命名实体识别标注；(7)语音转写标注；(8)点云标注。（答出任意5种即可，每种1分）2.简述训练集、验证集和测试集各自的作用。答案：(1)训练集：用于拟合模型参数，即通过梯度下降等优化算法更新网络权重。(2)验证集：用于模型选择与超参数调优，如确定学习率、网络层数、早停时机等，帮助判断模型是否过拟合。(3)测试集：用于最终评估训练完成后模型的泛化能力，不参与任何训练和调参环节。3.简述数据增强的意义，并列举至少4种常用的图像数据增强方法。答案：数据增强的意义在于从已有数据中衍生出更多样化的训练样本，增加数据规模与多样性，从而提升模型泛化能力、抑制过拟合。常用方法包括：随机水平/垂直翻转、随机旋转、随机裁剪、缩放与平移、颜色抖动（亮度/对比度/饱和度调节）、添加高斯噪声、MixUp、CutMix等。（答出4种方法即可，每种1分）五、计算题（共15分）1.某二分类模型在测试集上的预测结果如下：真正例TP=85，假正例FP=答案：精确率（Precision）：P召回率（Recall）：RF1值：F该模型精确率为85%，召回率约为73.91%，F1值约为0.79。2.某图像分类项目的训练集包含10000张图像，共10个类别，训练时批量大小设置为128。请计算：（8分）(1)一个Epoch需要迭代多少个Step（批次）？(2)若训练50个Epoch，总计需要迭代多少次？答案：(1)每个Epoch的Step数：Step数即一个Epoch需要迭代79个Step，其中最后一个Step的批量不足128张。(2)总计迭代次数：总答：训练50个Epoch共需迭代3950次。六、综合应用题（共25分）1.某项目需构建一个生活垃圾图片分类模型，目标是将图片分为"可回收垃圾""厨余垃圾""有害垃圾""其他垃圾"四类。标注团队采集了4000张手机拍摄图片，但存在以下质量问题：•约200张图片模糊、重复或损坏；•部分图片类别标签错误；•四类样本数量差异较大；•图片分辨率不统一。请回答：（12分）(1)请给出完整的数据预处理流程。（6分）(2)若四类样本数量分别为：可回收垃圾1800张、厨余垃圾1200张、有害垃圾300张、其他垃圾700张，请提出一种解决类别不平衡问题的具体方案，并说明理由。（6分）答案：(1)数据预处理流程如下：①数据清洗：剔除模糊、重复、损坏的图片；对标签疑似错误的样本进行人工复核，可通过多人交叉标注或模型预标注加人工抽检的方式纠正错误标签。②格式统一：将全部图片缩放至统一尺寸（如224×③类别平衡处理：结合(2)中的方案，对少数类进行过采样或数据增强，对多数类进行欠采样，使各训练类别比例趋于均衡。④数据划分：按分层抽样将数据集划分为训练集80%、验证集10%、测试集10%，保证四个类别在各集合中的比例与原始分布一致。⑤像素归一化：将像素值由[0,255①对样本量最少的有害垃圾类别（300张）进行针对性数据增强，包括随机旋转、翻转、裁剪、颜色扰动等，扩充有效训练样本。②在损失函数中为各类别设置权重，按wi=NK×ni计算类别权重，其中N为样本总数，K为类别数，n2.某自动驾驶场景目标检测项目需检测"行人""车辆""交通标志""骑行者"四类目标，标注完成后基于YOLOv8训练模型，在验证集上的结果如下表所示：（13分）类别精确率（Precision）召回率（Recall）mAP@0.5行人0.820.750.79车辆0.910.880.93交通标志0.720.680.74骑行者0.580.450.61请回答：(1)结合数据标注与模型训练两个方面，分析"骑行者"类检测效果最差的可能原因。（6分）(2)请提出至少3条针对"骑行者"类检测效果的改进方案。（7分）答案：(1)可能原因分析：数据标注方面：①骑行者样本数量可能显著少于行人、车辆等常见目标，训练数据不足导致模型学习不充分；②骑行者边界框标注规范可能不统一，如部分标注只框人物、部分标注包含自行车，引入较大标注噪声；③骑行者的姿态多样（骑行、推行、不同朝向），且常与行人、非机动车相互遮挡，现有样本多样性不足；④骑行者与行人外观特征相似，类别之间存在混淆，导致边界框定位和分类不稳定。模型训练方面：⑤类别不平衡使模型偏向车辆、行人等多数类，对骑行者类别的预测置信度偏低；⑥骑行者目标尺度变化大（远小近大），小目标检测能力不足；⑦骑行者与行人特征重叠度高，模型未能学习到足够的判别性特征。(2)改进方案（答出任意3条即可）：①增加骑行者样本数量：补充采集骑行者在不同场景、光照、距离、遮挡程度下的图像，并利用Mosai