文档
Pixel Flow 使用手册与最佳实践
按任务查找扫描、筛选、图片详情、素材库、导出、账户和行业最佳实践。
AI 图片数据集整理：筛选、标注留痕与授权复核
当你在为内部研究、标注任务或 AI 图片数据集准备候选图片时，最重要的不是一次性下载很多文件，而是先把“这批图片从哪里来、为什么被选中、是否还需要复核、谁来确认使用边界”整理清楚。
Pixel Flow 适合放在数据集准备流程的前半段：发现当前页面里的候选图片，按格式、尺寸、来源和规格筛选，收藏到素材库，用标签标记状态，查看图片详情里的技术线索，再导出清单交给数据、标注、版权、法务或项目负责人继续复核。
Pixel Flow 不会替你判断图片是否可以用于模型训练、数据集分发、商业使用或二次销售。它提供的是候选整理、来源留痕和复核线索；最终能不能进入数据集，仍然要根据来源网站条款、授权文件、许可证文本、肖像权、隐私要求、平台规则和团队合规流程确认。
Pixel Flow 适合的 AI 图片整理任务
如果你的团队已经有明确的数据任务、标注规范或授权复核流程，Pixel Flow 更适合承担前置整理工作：把网页里分散的图片先收拢成候选池，排除明显不适合的图片，再把来源、规格、标签和待确认线索交给后续负责人处理。它尤其适合那些“还没到训练集定稿，但已经需要多人一起判断”的图片整理场景。
把可能进入标注任务的图片先收拢到同一批清单里。
整理风格、品类、构图、格式或来源相近的观察样本。
先排除小图、装饰图、重复图、低清图和上下文不明的图片。
把来源页面、图片地址、标签、技术线索和待确认事项交给负责人复核。
这篇文档里的“数据集”指候选图片整理流程，不代表这些图片已经获得训练授权。你可以把 Pixel Flow 当作数据准备环节里的“候选池和复核清单工具”，而不是把它当作授权审批工具。
推荐工作流：从候选筛选到授权复核
AI 图片数据集整理不建议从“批量下载”开始，而应该先建立候选池，再逐步完成质量预筛、标签分工、来源留痕和授权复核。下面这条流程把 Pixel Flow 放在数据准备的前半段：它帮助你把候选图整理清楚，但最终是否进入训练集，仍然交给数据负责人、授权负责人或法务确认。
- 打开你有权访问和处理的页面，例如自有素材页、客户已提供的页面、公开资料页或团队内部允许整理的页面。
- 使用 从网页批量扫描图片 查看当前页面中已经显示出来的图片。
- 在采集流里先排除头像、图标、按钮背景、广告图、占位图、低分辨率缩略图，以及与训练集明显无关的图片。
- 按图片格式、比例、来源类型和规格继续缩小候选范围，优先保留来源清楚、尺寸足够、内容完整、与任务目标相关的图片。
- 用批量预览快速比较内容质量，避免把只在缩略图里看起来可用的图片放进候选池。
- 把需要长期跟进的图片收藏到素材库。
- 给候选图片添加项目、内容类别、授权状态、质量状态和复核负责人相关标签。
- 打开 图片详情，查看尺寸、格式、来源页面、图片地址、Alt 文本、元数据、AI 生成线索和可能的版权/作者字段。
- 先 导出图片清单 给团队复核；确认范围后，再 批量下载并保留来源记录。
- 由数据负责人、授权负责人或法务根据来源条款、授权材料和项目用途判断是否进入正式数据集。
候选图怎么筛
数据集候选池应该宁可小一点、清楚一点，也不要一开始就追求数量。一般来说，AI 图片训练或标注候选集会先看几件事：图片是否和目标任务一致，主体是否清楚，尺寸和清晰度是否足够，场景、角度、背景和分辨率是否覆盖真实使用环境，标签或标注是否能被人稳定判断，训练集和测试集是否分开，以及来源、授权、隐私和再分发边界是否可核验。
这里的“高清”也不能简单理解成越大越好。Google Cloud 的图像训练数据建议强调，训练图片应尽量接近未来要预测的图片，并覆盖不同角度、分辨率和背景；AWS Rekognition Custom Labels 也建议使用足够大、明亮、清晰、对比度足够、遮挡少，并且主体占比较高的图片。也就是说，数据集整理的重点不是只找大图，而是找“符合任务、清楚可辨、能被复核、可进入后续标注或授权流程”的候选图。
| AI 图片集常见要求 | Pixel Flow 能辅助哪一步 | 适合进入候选池 | 仍需人工或外部流程确认 |
|---|---|---|---|
| 任务相关：图片内容要和训练目标一致 | 用采集流缩略图、页面标题、图片 Alt 文本和来源页面先判断上下文 | 与任务主题一致、主体明确、上下文清楚的图片 | 这张图是否真的属于目标类别、是否该进入当前标签体系 |
| 清晰度和尺寸：主体要能被看清，规格要满足后续处理 | 查看宽高、格式、比例和预览效果，先排除低清缩略图、严重压缩图和裁切不完整图片 | 尺寸足够、主体完整、清晰度稳定的图片 | 具体最低分辨率、裁切规则和清洗阈值，应由训练任务或标注规范决定 |
| 场景覆盖：训练样本要覆盖真实使用环境 | 按来源、页面和标签分组，整理不同背景、角度、光照、比例和格式的候选图片 | 能代表真实业务场景、来源和视觉条件有差异的图片 | 样本是否均衡、类别是否过少、是否需要补充更多场景 |
| 标注可判断：人能在短时间内稳定判断标签 | 通过批量预览和图片详情，先筛掉主体过小、遮挡严重、上下文不明的图片 | 人工能看清主体、能解释为什么进入该类别的图片 | 最终标签名、标注规则、框选范围和多人一致性 |
| 去重和分组：避免重复或近重复图片影响清单质量 | 用缩略图、尺寸、来源、文件名、标签和导出清单辅助发现重复线索 | 同一对象、同一场景下有代表性的图片 | 大规模近重复检测仍需要专门的数据清洗工具或脚本 |
| 来源可回查：后续能回到来源页面复核 | 保留来源页面 URL、图片原始 URL、站点名、页面标题和采集时间 | 能回到来源页面复核上下文的图片 | 来源页面条款、许可证文本、客户授权、合同或审批记录 |
| 授权和隐私：训练、分发、商用边界要明确 | 用标签、来源线索表和版权/作者字段把“待复核”状态显式化 | 有明确待复核状态、能找到授权材料入口的图片 | 是否允许训练、是否允许再分发、肖像权、隐私、商标和地区合规要求 |
| AI 生成线索：生成图要单独标记和说明 | 查看 AI 指纹检测、AIGC 参数和编辑软件字段，把疑似生成图标记出来 | 已标记“疑似生成”或“需确认生成来源”的图片 | 生成平台条款、模型来源、提示词/素材权利和客户披露要求 |
“能被采集到”“能下载”“能导出清单”都不等于“可以训练”。数据集场景比普通内部参考更敏感，尤其要把来源条款、许可证、肖像权、隐私和再分发限制单独确认。
这部分业务场景的叙述主要来源于公开的机器学习图片数据准备建议和图像标注研究：
- Google Cloud 图像分类数据准备文档强调训练图片应接近预测时会遇到的图片，并覆盖不同角度、分辨率和背景。
- AWS Rekognition Custom Labels 图片准备文档强调图片应有足够分辨率、亮度、清晰度、对比度，主体不要被遮挡。
- 计算机视觉标注质量研究也指出，标注一致性和标注过程会影响视觉模型评估与表现。
你可以把这些要求理解为“数据集整理前的检查框架”，而不是某个固定行业的唯一标准。
图片标签怎么服务训练集分工
数据集候选图进入素材库后，图片标签最好服务于后续分工，而不是只记录个人印象。Pixel Flow 的标签可以先承担“候选状态”和“复核状态”的轻量管理，让数据负责人知道哪些图待清洗、哪些图适合标注、哪些图还不能进入训练集。
| 标签类别 | 用途 | 示例 |
|---|---|---|
| 项目标签 | 说明这张图属于哪个数据任务 | 数据集候选、商品图样本、室内场景 |
| 内容标签 | 说明图片主体或类别 | 人物、产品主图、包装图、插画 |
| 质量标签 | 说明是否值得继续处理 | 待清洗、低清排除、重复待查、可进入标注 |
| 复核标签 | 说明授权和风险状态 | 待授权确认、仅内部研究、客户已提供、不可训练 |
如果一个团队多人处理同一批候选图，建议先统一标签含义。比如“仅内部研究”表示只能用于团队观察和分析，不能被误解成“可以训练”；“客户已提供”表示来源来自客户，但仍然要确认客户是否允许训练、分发或对外交付。
图片详情怎么辅助训练前复核
数据集整理时，图片详情不是为了给出最终结论，而是为了帮助你决定“这张图要不要进入下一轮复核”。当你关心高清、主体清楚、来源可回查、是否疑似 AI 生成、是否包含作者或版权字段时，Pixel Flow 的图片详情可以把这些线索集中到同一页，减少团队只凭文件名或缩略图判断的风险。
你可以重点看这些内容：
| 线索 | 适合回答的问题 | 使用边界 |
|---|---|---|
| 来源页面和图片地址 | 这张图来自哪里，后续能不能回查上下文 | 来源链接不是授权文件 |
| 图片格式和尺寸 | 是否满足后续标注、训练或质检的基础要求 | 尺寸合格不代表授权合格 |
| Alt 文本 | 页面是否提供了对图片内容的描述 | Alt 文本可能为空、过时或写错 |
| AI 指纹检测 | 当前文件里是否存在生成式 AI 或编辑工具相关线索 | 未检测到不代表一定不是 AI 图 |
| AIGC 参数 | 文件里是否留下提示词、模型、种子或工作流线索 | 有参数不代表可以复刻或商用 |
| 拍摄和编辑元数据 | 是否有相机、拍摄时间、软件、作者或版权字段 | 元数据可能被平台清理、压缩、改写或伪造 |
这里涉及一些图像技术标准和规范，例如 Exif 常用于记录相机和拍摄参数，XMP / IPTC 常用于记录图片说明、创作者和版权字段，C2PA 用于内容来源和修改历史相关的内容凭证。Pixel Flow 只能读取当前文件和当前页面中仍然存在的线索；如果平台已经清理或改写这些信息，工具不会凭空补出不存在的数据。更完整的背景可以看 合规使用 Pixel Flow 和 AI 指纹检测。
导出清单怎么支持团队复核
在数据集场景里，建议先导出清单，再决定是否下载图片文件。Pixel Flow 导出的清单适合做第一版候选池台账：数据、标注、授权和项目负责人可以先看同一批字段、同一批状态、同一批待确认事项，再决定哪些图片进入清洗、标注、授权复核或排除流程。
至少建议保留这些字段：
| 字段 | 为什么重要 |
|---|---|
| 来源页面 URL | 方便回到图片所在页面核查上下文和条款 |
| 图片原始 URL | 确认本地文件和网页资源是否对应 |
| 站点名和页面标题 | 帮助判断图片来自哪个页面场景 |
| 图片 Alt 文本 | 辅助理解页面提供的图片描述 |
| 图片格式、宽度、高度 | 用于筛选是否满足数据任务的规格要求 |
| 自定义标签 | 记录项目、类别、质量和复核状态 |
| 版权/作者信息 | 如果文件里存在相关字段，提醒团队继续核查 |
| 使用提醒 | 明确这份清单不代表 Pixel Flow 授权 |
| 采集时间、收藏时间、下载时间 | 保留处理链路，方便后续追溯 |
如果图片会进入正式标注或训练前评审，建议另行补充这些字段：复核负责人、授权材料位置、许可证类型、是否允许训练、是否允许再分发、是否包含人物或敏感信息、最终处理结论。
下载和归档怎么保留复核链路
当候选范围通过初步复核后，再下载图片文件更稳妥。默认下载时，Pixel Flow 会把图片和 来源与版权线索记录 一起保存；如果你使用完整信息表，还可以保留更多管理字段和元数据线索。这样后续即使图片离开网页，也能把文件、来源页面、标签状态和复核结论重新对上。
一个更稳妥的数据集候选归档包通常包括：
- 图片文件。
- Pixel Flow 导出的来源清单。
- 来源页面截图或页面保存记录。
- 授权文件、许可证文本、客户确认或内部审批记录。
- 标签说明和字段口径。
- 标注规范、清洗规则和排除规则。
- 最终使用位置或数据集版本说明。
如果来源页面以后失效，清单里的来源地址、图片地址、下载时间和截图会更有价值。但失效链接仍不能替代授权文件，也不能证明图片可以继续用于训练或分发。
不建议这样做
- 不要从你无权访问、需要登录、付费或明确限制抓取的页面整理图片。
- 不要把第三方页面图片直接加入训练数据集，只因为它能被浏览器看到或下载。
- 不要只凭 AI 指纹检测、AIGC 参数、Exif、XMP、IPTC 或 C2PA 线索做最终授权判断。
- 不要把
已收藏、已下载、已导出这样的状态当成可训练或可商用结论。 - 不要在没有授权依据的情况下，把含人物、商标、车牌、地理位置、医疗、金融、未成年人或其他敏感内容的图片放进数据集。
- 不要清理仍处于复核中的收藏、下载历史或来源线索，除非你已经完成备份和归档。
深入了解
- 合规使用 Pixel Flow：理解来源线索、证据和授权之间的区别。
- 来源与版权线索记录：了解下载时附带哪些复核字段。
- 导出图片清单：把候选图片整理成团队可复核的表格。
- 收藏图片并用标签整理：用标签维护项目、类别和复核状态。
- AI 指纹检测：理解 AI 生成线索的用途和限制。
- 数据安全、备份与清理：在清理或换设备前保留必要记录。
常见问题
Q: Pixel Flow 能判断图片是否可以用于训练吗？
不能。Pixel Flow 能帮助你整理候选图片、来源页面、图片地址、标签、技术线索和导出清单，但训练授权需要你根据来源条款、许可证、合同、客户确认、肖像权、隐私和团队合规流程判断。
Q: 数据集候选图应该先下载还是先导出清单？
建议先导出清单。清单更适合做范围确认、授权复核和团队分工。等复核后确认哪些图片可以继续处理，再下载文件并和来源记录一起归档。
Q: AI 指纹检测可以排除所有 AI 生成图片吗？
不能。检测结果会受截图、压缩、平台转码、二次导出和元数据清理影响。它适合作为“需要继续确认”的线索，不适合作为唯一结论。
Q: 没有读到版权字段，是不是说明图片可以使用？
不是。很多网页图片会在上传、压缩、裁切、转码或缓存过程中清除作者、版权和拍摄等信息。没有读到字段，只能说明当前图片中没有可读取的线索数据，不能说明图片没有版权，也不能说明你可以训练或分发。
Q: 免费版和 PRO 在数据集整理上有什么差异？
免费版可以做基础采集、筛选、收藏和默认来源线索记录；部分批量能力、导出清单、AI 生成线索、AIGC 参数和完整信息表属于 PRO 能力。具体差异可以看 免费版 vs PRO 功能对照；如果你已经登录，也可以在 查看 PRO 权益和记录 中核对当前账号状态。
Q: 来源页面失效后，清单还有用吗？
仍然有用。它至少保留了当时记录下来的来源页面、图片地址、站点名、页面标题、采集时间和下载时间。但如果你需要证明授权，仍然要依赖授权文件、许可证文本、客户确认或其他可核验材料。