如何用 X-AnyLabeling 三步完成 AI 自动标注从安装到导出的新手完整指南【免费下载链接】X-AnyLabelingX-AnyLabeling: A lightweight, efficient, and unified cross-platform desktop application for annotating text, image, video, and multimodal data, combining versatile built-in tools with state-of-the-art AI models and flexible multi-format export.项目地址: https://gitcode.com/gh_mirrors/xa/X-AnyLabeling做过数据集的人都熟悉这个节奏几百上千张图每张开一张、画一个框、打一个标签一天下来手酸了进度条却只挪了一小截。X-AnyLabeling 就是一个跨平台的桌面标注工具把逐张手标变成模型先画、人来改——内置 YOLO、SAM、RT-DETR 等几十个 ONNX 推理模型标注完还能直接导出 YOLO、VOC、COCO 等训练格式。安装与首次运行环境要求很简单Python 3.11 到 3.13官方推荐 3.12。三步走建虚拟环境并激活conda 或 venv 均可按显卡情况安装对应版本CPU 版本执行uv pip install x-anylabeling-cvhub[cpu]有 CUDA 12 显卡的把[cpu]换成[gpu]CUDA 11 用[gpu-cu11]。注意同一环境只能装其中一个别混装。验证并启动xanylabeling checks xanylabelingchecks会打印系统和依赖版本信息没问题后 GUI 即可打开。首次运行时模型按需自动下载缓存校验失败才会重新拉取。想跳过 pip 直接拉源码也行git clone https://gitcode.com/gh_mirrors/xa/X-AnyLabeling然后uv pip install -e .[cpu]。更多参数如--config、--autosave见 快速入门指南。场景演练给检测数据集做自动标注目标拿一个图片目录产出可用的 YOLO 格式标注。CtrlU加载图片目录支持多级子目录右下角出现文件列表在模型菜单选择检测模型如 YOLO 系列模型清单见模型库按CtrlA启用自动标注模型会把检测框直接画到画布上score字段记录置信度人工只做修框CtrlJ切换绘制/编辑模式鼠标微调顶点漏检的按R补画矩形框A/D键快速翻图CtrlS保存标注 JSON 默认存在图片同目录自动保存默认开启菜单中选择导出选 YOLO 格式并指定classes.txt即可得到训练可直接读取的标签。换任务类型只需换模型和对象类型多边形用P分割旋转框用O航拍、遥感场景关键点用ShiftP。CtrlG随时查看当前目录的标注统计确认类别分布是否合理。效率技巧速查快捷键作用CtrlU/CtrlI/CtrlO加载目录 / 单张图片 / 视频CtrlA启用自动标注AI 预标注CtrlJ切换绘制与编辑模式CtrlShiftD跳到下一张未检查标注CtrlAltK标记当前图已检查AltD数字快捷键管理器给 0-9 绑定绘制模式默认标签AltL标签管理器批量重命名、改色、显隐两个习惯值得养成一是用数字快捷键管理器给高频类别绑数字键画完框不用输标签名二是标一张用CtrlAltK点一下检查状态后期用CtrlShiftD只翻没复核的图避免重复审图。避坑指南打开大图提示内存限制。原因是 Qt 解码图片有默认 256MB 的分配上限。处理Ctrl0打开 Settings在 General 里调大Qt Image Allocation Limit或启动时加--qt-image-allocation-limit 1024单位 MB改完重启生效。内存小的机器不建议设为 0。GPU 版本报cublasLt或libcudnn找不到。原因是 CUDA、cuDNN 与 ONNX Runtime 版本不匹配。对照官方兼容表CUDA 12 对应[gpu]ONNX Runtime GPU 1.18.1~1.26CUDA 11 对应[gpu-cu11]。装错就卸掉重装对应 extra。模型反复下载、删了又下。程序检测到本地缓存会先做完整性校验校验不过就删掉重下属于正常行为。真正要查的是网络和下载源可在 Settings 里把 Model Hub 切到 ModelScope 或 GitHub路径里含中文也会触发失败见 FAQ。标注完导出是空的或报错。常见原因classes.txt里的类别和画布上的标签对不上标注的是矩形框却选了分割格式导出。先按CtrlG核对类别清单再选对导出类型即可。启动时.xanylabelingrc相关报错。多数是用户目录下的配置文件损坏删掉该文件或--reset-config重置重启即可界面配置会恢复默认。值不值得用标注团队、跑检测/分割/姿态任务的算法同学以及需要批量转格式的下游训练流程基本都适用。下一步建议把自定义模型按 自定义模型文档 接入替换内置模型再接视频标注和多目标跟踪完整能力边界见用户手册。【免费下载链接】X-AnyLabelingX-AnyLabeling: A lightweight, efficient, and unified cross-platform desktop application for annotating text, image, video, and multimodal data, combining versatile built-in tools with state-of-the-art AI models and flexible multi-format export.项目地址: https://gitcode.com/gh_mirrors/xa/X-AnyLabeling创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
如何用 X-AnyLabeling 三步完成 AI 自动标注从安装到导出的新手完整指南【免费下载链接】X-AnyLabelingX-AnyLabeling: A lightweight, efficient, and unified cross-platform desktop application for annotating text, image, video, and multimodal data, combining versatile built-in tools with state-of-the-art AI models and flexible multi-format export.项目地址: https://gitcode.com/gh_mirrors/xa/X-AnyLabeling做过数据集的人都熟悉这个节奏几百上千张图每张开一张、画一个框、打一个标签一天下来手酸了进度条却只挪了一小截。X-AnyLabeling 就是一个跨平台的桌面标注工具把逐张手标变成模型先画、人来改——内置 YOLO、SAM、RT-DETR 等几十个 ONNX 推理模型标注完还能直接导出 YOLO、VOC、COCO 等训练格式。安装与首次运行环境要求很简单Python 3.11 到 3.13官方推荐 3.12。三步走建虚拟环境并激活conda 或 venv 均可按显卡情况安装对应版本CPU 版本执行uv pip install x-anylabeling-cvhub[cpu]有 CUDA 12 显卡的把[cpu]换成[gpu]CUDA 11 用[gpu-cu11]。注意同一环境只能装其中一个别混装。验证并启动xanylabeling checks xanylabelingchecks会打印系统和依赖版本信息没问题后 GUI 即可打开。首次运行时模型按需自动下载缓存校验失败才会重新拉取。想跳过 pip 直接拉源码也行git clone https://gitcode.com/gh_mirrors/xa/X-AnyLabeling然后uv pip install -e .[cpu]。更多参数如--config、--autosave见 快速入门指南。场景演练给检测数据集做自动标注目标拿一个图片目录产出可用的 YOLO 格式标注。CtrlU加载图片目录支持多级子目录右下角出现文件列表在模型菜单选择检测模型如 YOLO 系列模型清单见模型库按CtrlA启用自动标注模型会把检测框直接画到画布上score字段记录置信度人工只做修框CtrlJ切换绘制/编辑模式鼠标微调顶点漏检的按R补画矩形框A/D键快速翻图CtrlS保存标注 JSON 默认存在图片同目录自动保存默认开启菜单中选择导出选 YOLO 格式并指定classes.txt即可得到训练可直接读取的标签。换任务类型只需换模型和对象类型多边形用P分割旋转框用O航拍、遥感场景关键点用ShiftP。CtrlG随时查看当前目录的标注统计确认类别分布是否合理。效率技巧速查快捷键作用CtrlU/CtrlI/CtrlO加载目录 / 单张图片 / 视频CtrlA启用自动标注AI 预标注CtrlJ切换绘制与编辑模式CtrlShiftD跳到下一张未检查标注CtrlAltK标记当前图已检查AltD数字快捷键管理器给 0-9 绑定绘制模式默认标签AltL标签管理器批量重命名、改色、显隐两个习惯值得养成一是用数字快捷键管理器给高频类别绑数字键画完框不用输标签名二是标一张用CtrlAltK点一下检查状态后期用CtrlShiftD只翻没复核的图避免重复审图。避坑指南打开大图提示内存限制。原因是 Qt 解码图片有默认 256MB 的分配上限。处理Ctrl0打开 Settings在 General 里调大Qt Image Allocation Limit或启动时加--qt-image-allocation-limit 1024单位 MB改完重启生效。内存小的机器不建议设为 0。GPU 版本报cublasLt或libcudnn找不到。原因是 CUDA、cuDNN 与 ONNX Runtime 版本不匹配。对照官方兼容表CUDA 12 对应[gpu]ONNX Runtime GPU 1.18.1~1.26CUDA 11 对应[gpu-cu11]。装错就卸掉重装对应 extra。模型反复下载、删了又下。程序检测到本地缓存会先做完整性校验校验不过就删掉重下属于正常行为。真正要查的是网络和下载源可在 Settings 里把 Model Hub 切到 ModelScope 或 GitHub路径里含中文也会触发失败见 FAQ。标注完导出是空的或报错。常见原因classes.txt里的类别和画布上的标签对不上标注的是矩形框却选了分割格式导出。先按CtrlG核对类别清单再选对导出类型即可。启动时.xanylabelingrc相关报错。多数是用户目录下的配置文件损坏删掉该文件或--reset-config重置重启即可界面配置会恢复默认。值不值得用标注团队、跑检测/分割/姿态任务的算法同学以及需要批量转格式的下游训练流程基本都适用。下一步建议把自定义模型按 自定义模型文档 接入替换内置模型再接视频标注和多目标跟踪完整能力边界见用户手册。【免费下载链接】X-AnyLabelingX-AnyLabeling: A lightweight, efficient, and unified cross-platform desktop application for annotating text, image, video, and multimodal data, combining versatile built-in tools with state-of-the-art AI models and flexible multi-format export.项目地址: https://gitcode.com/gh_mirrors/xa/X-AnyLabeling创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
