训练与评测数据工程

同一批样本可以被组织成完全不同的数据集。若训练与评测包含同源近重复样本，指标可能显著偏高；若关键材料、缺陷或检测条件覆盖不足，模型进入新任务后也可能失去稳定表现。

数据集工程首先明确目标任务和评价问题，再选择样本、建立标签与分组关系，并记录每项数据来自哪个生产场景和质量版本。这样，模型表现能够回到实际数据条件进行解释。

数据集形成后还需要稳定版本和可独立检查的交付方式，使客户、研究人员和审核人员围绕同一份实际内容开展训练、比较和复验。

训练、验证和测试数据需要按照来源与任务关系进行划分，而不是只做随机拆分。来自同一工件、同一原始信号或同一参数族的数据若跨集合出现，会削弱评测对新场景的说明能力。

覆盖分析关注材料、几何、缺陷、频率和检测条件等关键变量是否达到目标范围。数据量只是结果之一，更重要的是样本分布与任务难度是否符合预先定义的评价问题。

数据集版本固定样本集合、划分、标签、结构和来源引用；文件内容身份进一步帮助接收方发现传输后的替换、截断或混入旧文件。

用户选择经过质量检查的样本，按照任务要求配置数据筛选、标签和分组。平台保留数据划分与上游场景的关系，并在版本固化前检查重复、缺失和范围异常。

确认后的数据集形成固定样本清单、结构说明和版本身份。导出时，平台准备自包含文件布局，为每项内容生成检查信息并附带来源与数据集说明。

接收方按照清单核对数据集版本、预期文件、相对位置和实际内容，使训练、评测或验收使用的是双方确认的同一份数据。

数据集验证检查样本规模、关键条件分布、标签与分组完整性、跨集合近重复以及来源关系。接收验证再检查文件集合、相对位置和内容一致性。

项目合作可先用一份代表性数据集演练构建与交付，让双方共同确认任务定义、划分方式、质量指标和复验步骤，再用于后续训练、评测或工程验证。