Video Annotation Lab

多模态视频标注训练手册

把“好不好看”拆成可复核的标注动作

先判断低质量跳过，再完成分类、标签挂载、视频描述和质检复盘。目标不是背术语，而是让不同标注员对同一段视频给出一致判断。

8
低质量跳过规则
6
视频标签维度
7
镜头移动标签
四个脱敏视频帧在标注界面中被框选和打标的示意图
脱敏示意素材：用于展示“画面观察 → 标签选择 → 质检复盘”的工作状态。

Workflow

视频标注按四步走

视频标注与图片标注逻辑一致，但多了时间维度。不要一上来写描述，先把是否可用、属于哪类、该挂哪些标签确定下来。

STEP 01

低质量视频判断

先剔除不合格视频，标注为低质量并自动跳过。

STEP 02

视频数据标签分类

对通过筛选的视频判断大类与细分场景。

STEP 03

标签挂载 + 描述

添加色调、角度、构图、光影、景别、镜头移动等标签，再写完整 caption。

STEP 04

质检结果与备注

记录争议边界，把同类问题回写成可复用判断口径。

Quality Gate

低质量视频：命中任一条就跳过

这一层是标注效率的第一道闸门。与图片相比，视频额外要求清晰度达到 1080p，并检查掉帧、卡顿、静止和镜头切换过频等动态质量问题。

01

安全性

含有血腥、暴力、涉政、违法、引起不适等国家不允许互联网公开传播的内容。

02

水印内容

视频中有非常明显且影响画面质量的水印。

03

画面异常

黑白边框、明显截图的画面内容。

04

画面模糊

画面清晰度低于 1080p。

05

过曝过暗

画面过曝或过暗，影响主体物呈现。

06

无美感/构图

随机拍摄，缺乏美感和构图意图。

07

视频不流畅

存在掉帧、卡顿、静止、过于频繁切换镜头等效果。

08

全为文字

视频中只有文字内容，无实际画面。

Taxonomy

视频标签分类体系

分类采用两层结构：一级标签定大类，二级标签定细分场景。先判断内容来源和表现形态，再进入画面维度判断。

分类标签
一级标签
二级标签示例
实拍视频
新闻纪实
采访、拍摄现场、篮球赛报道、网球赛跟拍、自行车赛摄、举重赛记录、射箭赛采访
实拍视频
生活记录
日常场景、家人互动、宠物瞬间、旅行见闻、小区跑步、公园跳绳、家里瑜伽、户外登山
动画视频
影院动画
《大闹天宫》《哪吒之魔童降世》《白蛇：缘起》《长安三万里》《千与千寻》《龙猫》《哈尔的移动城堡》
动画视频
电视动画
《喜羊羊与灰太狼》《虹猫蓝兔七侠传》《斗罗大陆》《一人之下》《黑猫警长》《葫芦兄弟》
屏幕录制
电脑录制
软件操作演示、系统操作教学、游戏实况、游戏攻略、在线课程、企业培训
混合视频
实拍与动画
《空中大灌篮》《怪物史瑞克 4D》《加菲猫》《豚鼠特工队》《艾尔文与花栗鼠》
混合视频
真人与虚拟角色
《猩球崛起》系列、《美女与野兽》（2017）、《狮子王》（2019）、《爱丽丝梦游仙境》系列、《捉妖记》系列

Dimensions

视频标签挂载维度

视频标注是图片标注的扩展和升级。色调、角度、构图、景别、光影来自画面判断，镜头移动是视频专属维度。

色调

色调决定画面的第一眼情绪感受。标注时先看整体色彩倾向，再看饱和度强弱。

判断心得：暖/冷更多看画面主导色，低/高饱和度更多看视觉冲击和颜色纯度。

Caption

视频 caption 结构化实例

先抽帧看懂视频，再按六个维度完成判定，最后把主体、修饰、镜头运动和细节补充写成可用于文生视频数据集的中文描述。

TEST 01 低角度上篮样例
本地生成示例视频：从空篮筐到上篮入框，用于演示如何从连续画面写 caption。
色调冷色调 / 低饱和
角度极端仰拍 / 广角
构图对称构图
景别全景 → 近景
光影自然光 / 逆光 / 硬光
镜头移动固定 + 轻微抖动

画面描述：

广角运动相机以极端仰角贴近地面朝正上方拍摄，画面中央是一座红白配色的篮筐与浅色篮板， 沿垂直立柱形成对称构图，背景是大片通透的蓝天与几缕淡薄云层。 一位身穿运动背心和短裤的成年男子手持橙色篮球从画面边缘进入，举起手臂起跳，将篮球送入头顶篮筐，篮网随之轻轻晃动。 镜头机位基本固定，仅随动作产生轻微抖动，广角畸变让篮架和人物显得更高大、更有张力。 整体呈冷色调、低饱和而明朗，左下角逆光眩光强化了夏日户外球场的轻松运动氛围。

主体描述 修饰词 镜头运动 细节补充 氛围/风格

Review

质检复盘：把争议变成下一轮规则

标注一致性不是靠经验口头传递，而是靠判断顺序、边界样例和备注沉淀。争议样本越早回写，后续人效越稳定。

判断顺序

先低质量筛除，再判断分类，再挂载维度，最后写描述。顺序错了，后面的标签再细也会污染训练数据。

易错边界

随机拍摄不等于所有生活记录；固定镜头不等于静止低质；速度只记录节奏快慢，不升级成标签维度。

一致性维护

每轮抽检后沉淀正反例、备注争议原因，用相同 case 校准新人和老手的判断颗粒度。

Cinematic Language

镜头语言入门百科：从看懂画面到会标注

标签解决“怎么标”，镜头语言解释“为什么这么标”。新手先记住四个问题：观众离主体多近、从哪里看、重点被放在哪里、镜头为什么动。

First Map · 四个总开关

景别

= 距离

观众离主体多近？越远越交代环境和关系，越近越强调情绪、细节和压力。

角度

= 关系

观众从什么位置看主体？平视最自然，仰拍让主体强大，俯拍让主体弱小或被审视。

构图

= 注意力

观众第一眼看哪里？用主体位置、线条、留白、颜色、光影和清晰区域安排视线。

运镜

= 情绪变化

镜头动了以后改变什么？推近放大情绪，拉远揭示环境，跟随带来沉浸感。

Beginner Path · 新手三步看镜头

01

先找主体

这个镜头最想让你看谁或看什么？人物、物体、动作、环境，先锁定一个主语。

02

再问距离和位置

主体占画面多大？摄像机在上方、下方、正面、背后，还是像跟着人物走？

03

最后解释感受

这个镜头让人觉得开阔、紧张、孤独、强势、真实，还是不安？把感受反推到标签。

Shot Size · 景别词典

大远景

环境压过人物

人物很小，环境占主导。适合开场、结尾、史诗感、渺小感和孤独感。

远景

看人和环境的关系

主体能辨认，但环境仍重要。常用于旅途、迷失、定场和人物进入空间。

全景

看清完整动作

人物全身入画，动作和空间关系清楚。适合打斗、舞蹈、运动、走位。

中远景

膝盖到头部

既能看行动，也能看人物状态。适合行动中的人物和多人调度。

牛仔景别

大腿中部到头部

比中景更有对峙感，常用于冲突前奏、西部片、拔枪或紧张等待。

中景

腰部以上

接近日常沟通距离，兼顾表情和动作。对话、采访、剧情推进最常见。

中近景

胸部以上

环境减少，人物反应更重要。适合情绪推进、反应镜头和轻微心理变化。

特写

面部或关键局部

逼近情绪和细节。眼神、表情、手、物件、线索都可以成为特写主体。

大特写

极小局部被放大

只看眼睛、嘴、瞳孔、按钮等细节。用于悬念、惊讶、心理冲击和关键证据。

Camera Angle · 角度词典

正面镜头

直接交流

主体面向镜头，像在和观众对视。适合讲话、凝视、仪式感和打破第四堵墙。

背面镜头

跟随与未知

看不到表情，观众更像跟着人物进入空间。适合神秘感和代入感。

侧面 / 正侧面

旁观动作

侧面旁观感强，也能展示纵深；正侧面更清楚展示动作、姿态和运动轨迹。

平视

最自然中性

摄像机接近眼神高度，没有明显压迫或抬高。适合日常对话和客观叙事。

俯拍

弱小、审视、受压

从上往下看，主体更小。常用于无助、危险、审判、地位不平等。

垂直俯拍

看清空间调度

从正上方看，空间关系非常清楚。适合舞台、武打、复杂运动和队形变化。

仰拍 / 低角度

强大和压迫

从下往上看，主体显得高大。低角度仰拍还会拉长四肢，强化动作张力。

地面高度

特殊主观视角

机位贴近地面，像物体、小孩或动物视角。常用于低机位跟拍和新鲜视角。

倾斜角 / 荷兰角

不稳定、不祥

画面水平线倾斜，观众会感到混乱、危机、心理失衡或诡异。

旋转 / 颠倒

异常状态

90 度旋转可制造风格化秩序；180 度颠倒常用于晕眩、倒置和主观异常。

Composition · 构图工具箱

点：把重点钉住

主体、亮点、颜色差、清晰区域都可以成为视觉点。三分法交点和黄金对角线是常用位置，不是死规则。

线：把视线带过去

竖线显高度和力量，横线显平静和距离，对角线显动感，曲线显优雅。道路、桌面、建筑边缘都能做引导线。

形状：把主体框起来

门框、窗户、镜子、洞口形成框中框；长方形、圆形、不规则形都能锁住主体。

空间：决定心理状态

主体占比越大越有力量；视线方向留白更自然；不给空间会制造被困、压迫或不安。

深度：让画面有层次

前景、中景、背景叠起来，二维画面就有三维空间。遮挡物、门、窗、远近物体都能制造深度。

焦点：控制观众看哪里

浅景深聚焦主体，深景深展示完整空间；焦点变化可以在人、物和背景之间转移注意力。

颜色：用差异突出主体

人眼会先看颜色差和亮度差。蓝衣服在绿色草地中突出，亮脸在暗背景中突出。

影调：决定氛围重量

高亮低对比更梦幻柔和，低亮高对比更深沉戏剧化。影调常和悬疑、温柔、压抑直接相关。

Camera Movement · 运镜词典

固定镜头

让画面内部讲故事

机位不动，但人物、光线、构图可以变化。固定不是偷懒，更不是自动低质。

推镜头

靠近重点

镜头向主体推进，主体变大。常用于重要发现、情绪推进、内心变化。

拉镜头

从细节退到全貌

镜头后退，主体变小，环境增多。常用于结尾、孤独、关系疏离和信息揭示。

变焦

机位不动，视野缩放

画面放大或缩小，但空间透视不像真实移动。适合风格化强调和情绪放大。

希区柯克变焦

空间突然异常

推拉与变焦同时发生，主体和背景关系被扭曲。常用于恐惧、顿悟、心理冲击。

摇 / 俯仰

像原地转头

机位基本不移动，只左右摇或上下摇。适合跟随视线、展示发现过程和建立期待。

甩镜头

快速转向

快速摇动带来冲击力和速度感，也常用作快速转场。

移镜头

横向或纵向穿过空间

机位平移，前景和背景产生位移差。适合揭示空间、侧面跟随和转场。

跟镜头

和人物一起走

镜头跟随主体移动，观众像进入行动现场。适合沉浸感、连续性和实时紧张感。

升降镜头

改变高度来揭示空间

竖直上升或下降，常用于主角出场、场景规模、从局部到全貌。

环绕镜头

围着主体建立关系

镜头绕主体移动，适合展示空间、对峙感、英雄感或人物关系张力。

手持镜头

真实、紧张、混乱

不规则抖动带来临场感和纪录片质感，但没有目的的乱抖会损害观看。

Common Confusions · 新手易混辨析

固定镜头 ≠ 静止低质

固定镜头是机位稳定，画面内仍有有效动作或叙事；静止低质是视频几乎没有动态内容，影响数据可用性。

推镜头 ≠ 主体走近镜头

推镜头是摄像机向前移动，整体空间关系会变化；主体自己走近时，背景通常不会产生同样的推进感。

摇镜头 ≠ 移镜头

摇像原地转头，机位不平移；移是摄像机横向或纵向移动，前景和背景会出现明显位移差。

全景 ≠ 远景

全景重点是主体完整动作，主体通常很清楚；远景重点是主体与环境关系，环境比动作更重要。

中近景 ≠ 特写

中近景通常还能看到胸部以上和部分身体关系；特写只服务于脸部、手、物件等关键局部。

构图失衡 ≠ 构图差

失衡可能是有意制造压迫和不安。判断时看它是否服务情绪，而不是只看是否“端正”。

Recipes · 目标 → 镜头组合

叙事目标
推荐镜头组合
交代环境
大远景 / 远景平视或高角度深度构图固定或缓慢拉镜头
主角强势出场
中远景 / 全景低角度仰拍居中或对称构图升镜头或推镜头
人物孤独
远景高角度或背面大量留白固定镜头或拉镜头
情绪爆发
特写 / 大特写平视或微低角度浅景深缓慢推镜头
悬疑不安
中近景荷兰角低亮高对比手持或缓慢推镜头
对峙紧张
牛仔景别 / 中景正侧面或低角度对称 / 留白压迫环绕或固定镜头
纪录片真实感
中景 / 中近景眼神高度自然构图手持镜头
展示复杂动作
全景 / 垂直俯拍深景深固定或升降镜头
揭示新信息
中景转远景拉 / 摇 / 移镜头引导线
心理顿悟或恐惧
特写正面中心构图希区柯克变焦

Workflow · 镜头设计 6 步

  1. STEP 01

    先定叙事目的

    这个镜头要交代环境、展示动作、表达情绪、制造悬念，还是强调信息？

  2. STEP 02

    选择景别

    观众离主体远一点还是近一点？要看环境、动作、表情，还是局部细节？

  3. STEP 03

    选择角度

    观众是平视、仰视、俯视、旁观、跟随，还是进入人物主观视角？

  4. STEP 04

    安排构图

    主体放哪里？要不要引导线、框中框、前景、留白、颜色或光影对比？

  5. STEP 05

    决定是否运镜

    镜头移动是否真有叙事作用？只为“看起来高级”，就考虑固定镜头。

  6. STEP 06

    检查情绪是否一致

    景别、角度、构图、运镜有没有表达同一种情绪？有没有互相抵消？

Checklist · 拍摄前 / 剪辑前

拍摄前

  • 这个镜头的主体是谁 / 是什么？
  • 观众应该第一眼看到哪里？
  • 景别是否匹配信息量？
  • 角度是否匹配人物关系和情绪？
  • 构图是否有明确视觉重点？
  • 运镜是否有叙事理由？
  • 光线、颜色、景深是否在引导注意力？

剪辑前

  • 景别变化是否形成节奏？
  • 远景是否交代了环境？
  • 中景是否交代了动作和关系？
  • 特写是否承担了情绪或关键信息？
  • 运镜是否让信息释放更清楚？
  • 是否有无意义的移动镜头？
  • 是否有构图、角度或景别重复导致画面单调？