做数据标注的你，和即将从事这个行业的大家，是不是都有遇到过文件打开是乱码、文件后缀不常见，提示没有应用软件可以打开……一系列的问题呢？
特别是刚进入数据标注这个行业，或者是平时不太玩电脑对计算机了解较浅的小伙伴们，是蒙圈不知道该如何处理，今天呢，咱门就梳理一些关于数据标注文件格式的基础知识，作为新手的你一定要了解一下哟
文件格式
文件格式（或文件类型）是指电脑为了存储信息而使用的对信息的特殊编码方式，是用于识别内部储存的资料。比如有的储存图片，有的储存程序，有的储存文字信息。每一类信息，都可以一种或多种文件格式保存在电脑存储中。每一种文件格式通常会有一种或多种扩展名可以用来识别，但也可能没有扩展名。扩展名可以帮助应用程序识别的文件格式。
对于硬盘机或任何电脑存储来说，有效的信息只有0和1两种，所以电脑必须设计有相应的方式进行信息－位元的转换。对于不同的信息有不同的存储格式，文件格式也意味着文件的用途。
我们日常常用的扩展名有哪些呢？
1.办公软件中的Word文件.docx，PPT文件.pptx，Excel文件.xlsx；
2.图形文件多以.png、.jpg、.gif结尾；
3.音乐和视频文件则是.mp3、.mp4、.wav、.wmv；
4.文本.txt；
5.环境下的可执行文件.exe
对于这些扩展名大家习以为常，并不觉得奇怪，那么在数据标注的过程中，我们可能会遇到哪些文件格式呢？
文本标注
通常较为常见的文本标注文件格式是txt、xlsx这个两种格式，具体的要看自己当时做的项目数据方的一个要求，来进行后缀就行了
图像标注
图像标注涉及计算机视觉、机器视觉….等技术，所以格式种类相对更丰富一些，较为常见的有：bmp,jpg,png,tif,gif,pcx,tga,exif,fpx,svg,psd,cdr,pcd,dxf,ufo,eps,ai,raw,WMF,webp等。其中用得最多的就是bmp、jpg、png了
当然标注完之后还是需要根据数据的需求制定特定的数据输出格式，或者某一项标注工具下指定的标注格式，例如下图这几种标注工具，导出的数据格式各有不同
音频标注
无损格式：例如WAV、FLAC、APE、ALAC、CDA
有损格式：例如MP3、AAC、Opus
所以我们在标注的时候使用的原始数据WAV格式也会多一些。其标注的结果文件除了上面通用的标注文件格式外，还有用Praat软件标注的后级名为“”的文件，它是一种“分段”文件，详细记录了语音的总时长、每一个标注层内所有标注区间的时长及标注内容等信息
视频标注
视频数据标注任务的数据结果可包含视频标签的时间位置、空间位置和标签信息等内容。不同标注任务和要求会产出不同的结果，但不影响定义数据格式及其组成部分。
标注文件的输出格式推荐使用易解析、易存储的数据格式， 包括JSON、XML等。
医疗标注
·影像数据（CT/DR）
RAW，裸格式：就是最原始的图像，没有经过任何处理，拍出来是什么样就是什么样；
BMP格式：BMP不压缩，可以任意选择图像灰度深度或图像位数；
DICOM格式：DICOM是一种统一的兼容各种CT,MRI,PET等医学影像的图像存储方式； .dcm文件就是遵循DICOM标注的一种文件。
DICOM标准支持的设备包括心电图、核磁共振成像、心血管、超声心动图等多种医疗社保，因而DCM文件被广泛应用于医疗行业。一张CT片子对应多个.dcm文件：
·病理切片数据
.jpg格式，如果是一张病理切片如果被切分成.jpg格式的图片通常会被切成少则几十张多则几百张的图片
.tif格式：这是一种灵活的位图格式，其数据格式是一种3级体系结构，内部结构可以分为三部分：文件头信息区、标识信息区和图像数据区。
以上就是目前数据标注涉及到的文件格式，即后期AI训练师在数据处理中必须要了解到的基础知识
相关文章
