在增加数据之前先确认答案粒度。这个问题会在P25以类别、框、像素和实例四种输出再出现。
桌面遮挡底图及其对应框、实例轮廓教学标注，显示类别、框和像素归属三种答案。
现在把数据量扩大。收集一批图片，和得到一批适合训练的数据，不是一回事。类别需要定义，有歧义的图片需要处理；换成框和细轮廓，人的工作又变了。 所以“我们还有更多图片”并没有自动解决监督来源的问题。对于你们的科研，这个矛盾可能很具体：仪器已经保存了很多观测，但能可靠判定类别、病灶或结构的人并不多。 如果每增加一次训练机会，都必须先请专家给出一个新答案，训练规模就受这条链约束。接下来会出现两种不同的努力：一种是把人的判断组织得更好，另一种是重新设计问题，让已有数据自己提供一部分训练答案。
同一张桌面照片可以有“室内”的整图类别、两个杯子的矩形框、杯体的像素掩码，或“左侧红杯”的语言描述。这些答案并不是一份标签自动细化而来。类别没有给位置，框内还可能有桌面，掩码也没有自动说明哪个杯子是关系句的目标。
因此“有一百万张图”只描述了输入规模；要估计监督供给，还要问标什么、粒度多细、类别如何定义、模糊样本怎样仲裁。粗标签合并不会凭空产生细标签。一个写成“杯子”的样本，不能同时证明其颜色、材质、遮挡边界都标对了。
可以做一个小预算表：假设整图判断每张10秒、框标注30秒、像素检查120秒，则1000张分别需要约2.8、8.3、33.3工时。这是说明粒度成本的假设算例，不是行业测速；真实成本还取决于工具、复核和返工。下一页介绍组织人的判断，随后转向从数据本身构造部分训练答案。
先用自己的数据估计一种标签的取得与复核成本，再读P4；假设工时只用来比较，不作行业结论。
本页使用现有桌面遮挡场景及其对应的框/实例教学标注，三者来自相同底图。未把未遮挡版本的标注叠到遮挡版本。框与轮廓不是模型实测。