CVAT数据标注快速上手免费跑通图像标注到数据集交付的全流程【免费下载链接】cvatComputer Vision Annotation Tool (CVAT) is a leading platform for building high-quality visual datasets for vision AI. It offers open-source, cloud, and enterprise products, as well as labeling services, for image, video, and 3D annotation with AI-assisted labeling, quality assurance, team collaboration, analytics, and developer APIs.项目地址: https://gitcode.com/GitHub_Trending/cvat/cvat做视觉模型的人大多被同一件事卡住过数据。架构换来换去真正熬时间的往往不是训练而是标注——一张一张地框车、框人、描边一天下来几百张图就见底了。CVATComputer Vision Annotation Tool是一款开源免费的 CVAT 数据标注平台把这件事搬进了浏览器内置标注编辑器、AI 自动预标注、20 多种格式的数据集导出再加上团队协作与质量管控覆盖目标检测标注、语义分割、3D 点云等常见场景。这篇文章不讲“第几步”而是按你拿到一堆图片后真实的推进顺序来讲先跑环境再标完第一个任务然后把重复劳动交给模型最后把成果交给训练管线和团队。 环境跑起来两条命令浏览器里见CVAT 官方推荐用 Docker 部署好处是所有依赖后端、数据库、消息队列、缓存都在容器里你机器上只需要装 Docker 和 Git。git clone https://gitcode.com/GitHub_Trending/cvat/cvat cd cvat docker compose up -d这段命令把仓库拉下来后在后台启动整套服务。等容器全部起来几分钟内浏览器打开http://localhost:8080就能看到登录页。首次使用需要一个管理员账号在终端执行docker exec -it cvat_server bash -ic python3 ~/manage.py createsuperuser它会提示你输入用户名和密码输完登录即可。小提示CVAT 主要在 Chrome、Edge 这类 Chromium 内核浏览器上测试界面较重尽量用这类浏览器打开。更多部署细节外部数据库、Kubernetes 等可以查仓库里的 README.md。标完第一个任务从上传数据到存下第一笔标注登录后的结构先记住三层项目Project→ 任务Task→ 子任务Job。项目是一批数据的总容器任务对应一份上传的数据一个文件夹图片或一段视频CVAT 会自动把任务按帧切成若干 Job 供多人分工。新建项目后在里面创建任务上传数据本地文件、压缩包或直接填 URL然后定义标签。标签就是你要标注的类别比如“car”“pedestrian”还可以给标签挂属性颜色、遮挡程度这类字段后面导出时都会带上。进入任务就是 CVAT 数据标注编辑器左边一列是工具中间是画布右边是对象列表和标签面板。常用工具按用途分三档矩形Bbox目标检测标注的主力拖一下就是一个检测框训练检测模型时最常用多边形Polygon沿目标边缘逐点描边适合实例分割画笔Brushing Tool直接涂抹生成掩码语义分割标注用它比逐点描边快得多CVAT 数据标注编辑器左侧工具栏、中间画布、右侧对象列表如果是视频任务CVAT 支持“标一帧、往后传播”你在第 1 帧画好一个 track后面的帧会自动跟踪这个对象你只需要在跟踪跑偏的地方修正。做姿态估计的话还有 Skeleton关键点骨架工具如果数据是激光雷达点云编辑器能切到 3D 视图用 cuboid 给车辆、行人框出三维包围盒3D 点云标注视图上方为点云主视图下方是 Top/Side/Front 三个正交投影语义分割想快速上手的话重点试试画笔工具涂抹、擦除、转多边形都能在一笔之间完成画笔工具演示涂抹即可生成分割区域 重复劳动交给 AI三种方式让模型先标一遍人工标到第五十张的时候你会庆幸自己接了 AI。CVAT 的自动预标注有三种打开方式1. 在 Models 页面挂一个预训练检测器。界面顶部有 Models 标签页可以注册像 Detectron2、YOLO 这类现成模型。注册好之后在任务上选择“应用模型”它会把所有或指定 ROI 区域内的帧跑一遍检测生成带置信度分数框。效果就是下面这种每张图上的猫已经被自动框好、标了类别和置信度你只做增删和微调。检测模型自动标注结果每个目标带类别与置信度人工只需校正2. 部署你自己的模型。如果你的场景比如工业缺陷、医学影像现成模型不认CVAT 支持把自建模型以 serverless 方式接入。仓库里 serverless/ 目录给了 PyTorch、TensorFlow、OpenVINO、ONNX 等框架的部署模板照着写一个推理入口模型就能出现在 Models 页面里被任务调用。历史预置模型的说明可看 ai-models/该目录现指向独立的模型仓库。3. 用交互式分割插件“点一下”出掩码。如果你做语义分割且想要像素级精度cvat-ui/plugins/sam/下集成了基于 SAMSegment Anything Model一种“点一点/圈一圈就出分割”的通用分割模型的交互式工具在对象上给几个提示点就能生成精确轮廓比纯手工描边省不少力。推荐的自动预标注工作流是模型先全量跑一遍 → 人逐帧过、只改错的 → 存盘。标 1000 张图这个流程通常能省掉一半以上的手动工作。 标完的数据怎么进训练COCO格式导出与 20 种格式标注的终点不是“标完”而是“能被训练脚本读进去”。CVAT 的导出对话框提供 20 多种格式实现都放在 cvat/apps/dataset_manager/formats/ 目录里一眼就能对号入座COCO目标检测/分割事实标准一个 JSON 装下所有框和标签配 mmdetection、ultralytics 等框架开箱即用YOLO每图一个 txt行数是归一化坐标训练轻量检测模型时最省事Pascal VOCXML 格式老项目迁移常用Mask直接导出语义/实例分割的像素掩码图其余还有 KITTI自动驾驶、CITYSCAPES、Point Cloud 等特定领域格式。在任务或 Job 上点 Export选格式、选包含范围比如只要检测框还是连掩码一起下载压缩包即可。如果数据本身在云上反向也一样通任务数据源支持 S3、Azure Blob、Google Cloud Storage不用把 TB 级数据先下载到本地。想进一步自动化批量建任务、批量导出、接 CI仓库里的 cvat-sdk/ 提供了 Python SDKexamples/下有一堆可运行的脚本从建项目到导出数据集都有现成写法。 不再单打独斗团队协作标注与质量把控一个人标标完自己用一群人标问题就变成“谁标了什么、标得对不对”。CVAT 把这部分做成了独立模块组织结构与角色。团队管理在 cvat/apps/organizations/ 里建组织、邀请成员、按角色Worker、Supervisor、Maintainer分权限。标注员只能干活审核员能验收管理员能改结构各管各的组织成员管理按 Worker/Supervisor/Maintainer 分配角色多人一致性。同一任务可以开共识Consensus模式让多人独立标同一批数据CVAT 把不同人的结果摆在一起对比、合并配合 Issues 和评论功能审核发现的不一致可以直接在图上打标讨论而不是丢聊天记录里。质量控制的规则引擎在cvat/apps/quality_control/可以按标签和 IoU 等条件定义“什么算错”。看得见进度。每个项目自带 Analytics 页按标签统计各类形状数量、查看事件流水一眼看出哪些类别样本少、谁在拖进度项目分析报表按标签统计多边形与形状总数快速发现样本不均衡 接下来该做什么把快捷键页过一遍编辑器的 site/content/en/docs/ 目录里有 getting_started 和 annotation 两章撤销、传播、筛选对象这些高频操作都有说明用cvat-sdk/跑通一个“建任务 → 导出 COCO”的自动化脚本后面批量处理就不用点界面了数据量大到本地存不下时再回头看 Cloud Storage 配置和外部数据库部署方案。环境、标注、预标注、导出、协作五块都过了一遍剩下的基本就是按自己数据的特性调参数了。【免费下载链接】cvatComputer Vision Annotation Tool (CVAT) is a leading platform for building high-quality visual datasets for vision AI. It offers open-source, cloud, and enterprise products, as well as labeling services, for image, video, and 3D annotation with AI-assisted labeling, quality assurance, team collaboration, analytics, and developer APIs.项目地址: https://gitcode.com/GitHub_Trending/cvat/cvat创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
CVAT数据标注快速上手免费跑通图像标注到数据集交付的全流程【免费下载链接】cvatComputer Vision Annotation Tool (CVAT) is a leading platform for building high-quality visual datasets for vision AI. It offers open-source, cloud, and enterprise products, as well as labeling services, for image, video, and 3D annotation with AI-assisted labeling, quality assurance, team collaboration, analytics, and developer APIs.项目地址: https://gitcode.com/GitHub_Trending/cvat/cvat做视觉模型的人大多被同一件事卡住过数据。架构换来换去真正熬时间的往往不是训练而是标注——一张一张地框车、框人、描边一天下来几百张图就见底了。CVATComputer Vision Annotation Tool是一款开源免费的 CVAT 数据标注平台把这件事搬进了浏览器内置标注编辑器、AI 自动预标注、20 多种格式的数据集导出再加上团队协作与质量管控覆盖目标检测标注、语义分割、3D 点云等常见场景。这篇文章不讲“第几步”而是按你拿到一堆图片后真实的推进顺序来讲先跑环境再标完第一个任务然后把重复劳动交给模型最后把成果交给训练管线和团队。 环境跑起来两条命令浏览器里见CVAT 官方推荐用 Docker 部署好处是所有依赖后端、数据库、消息队列、缓存都在容器里你机器上只需要装 Docker 和 Git。git clone https://gitcode.com/GitHub_Trending/cvat/cvat cd cvat docker compose up -d这段命令把仓库拉下来后在后台启动整套服务。等容器全部起来几分钟内浏览器打开http://localhost:8080就能看到登录页。首次使用需要一个管理员账号在终端执行docker exec -it cvat_server bash -ic python3 ~/manage.py createsuperuser它会提示你输入用户名和密码输完登录即可。小提示CVAT 主要在 Chrome、Edge 这类 Chromium 内核浏览器上测试界面较重尽量用这类浏览器打开。更多部署细节外部数据库、Kubernetes 等可以查仓库里的 README.md。标完第一个任务从上传数据到存下第一笔标注登录后的结构先记住三层项目Project→ 任务Task→ 子任务Job。项目是一批数据的总容器任务对应一份上传的数据一个文件夹图片或一段视频CVAT 会自动把任务按帧切成若干 Job 供多人分工。新建项目后在里面创建任务上传数据本地文件、压缩包或直接填 URL然后定义标签。标签就是你要标注的类别比如“car”“pedestrian”还可以给标签挂属性颜色、遮挡程度这类字段后面导出时都会带上。进入任务就是 CVAT 数据标注编辑器左边一列是工具中间是画布右边是对象列表和标签面板。常用工具按用途分三档矩形Bbox目标检测标注的主力拖一下就是一个检测框训练检测模型时最常用多边形Polygon沿目标边缘逐点描边适合实例分割画笔Brushing Tool直接涂抹生成掩码语义分割标注用它比逐点描边快得多CVAT 数据标注编辑器左侧工具栏、中间画布、右侧对象列表如果是视频任务CVAT 支持“标一帧、往后传播”你在第 1 帧画好一个 track后面的帧会自动跟踪这个对象你只需要在跟踪跑偏的地方修正。做姿态估计的话还有 Skeleton关键点骨架工具如果数据是激光雷达点云编辑器能切到 3D 视图用 cuboid 给车辆、行人框出三维包围盒3D 点云标注视图上方为点云主视图下方是 Top/Side/Front 三个正交投影语义分割想快速上手的话重点试试画笔工具涂抹、擦除、转多边形都能在一笔之间完成画笔工具演示涂抹即可生成分割区域 重复劳动交给 AI三种方式让模型先标一遍人工标到第五十张的时候你会庆幸自己接了 AI。CVAT 的自动预标注有三种打开方式1. 在 Models 页面挂一个预训练检测器。界面顶部有 Models 标签页可以注册像 Detectron2、YOLO 这类现成模型。注册好之后在任务上选择“应用模型”它会把所有或指定 ROI 区域内的帧跑一遍检测生成带置信度分数框。效果就是下面这种每张图上的猫已经被自动框好、标了类别和置信度你只做增删和微调。检测模型自动标注结果每个目标带类别与置信度人工只需校正2. 部署你自己的模型。如果你的场景比如工业缺陷、医学影像现成模型不认CVAT 支持把自建模型以 serverless 方式接入。仓库里 serverless/ 目录给了 PyTorch、TensorFlow、OpenVINO、ONNX 等框架的部署模板照着写一个推理入口模型就能出现在 Models 页面里被任务调用。历史预置模型的说明可看 ai-models/该目录现指向独立的模型仓库。3. 用交互式分割插件“点一下”出掩码。如果你做语义分割且想要像素级精度cvat-ui/plugins/sam/下集成了基于 SAMSegment Anything Model一种“点一点/圈一圈就出分割”的通用分割模型的交互式工具在对象上给几个提示点就能生成精确轮廓比纯手工描边省不少力。推荐的自动预标注工作流是模型先全量跑一遍 → 人逐帧过、只改错的 → 存盘。标 1000 张图这个流程通常能省掉一半以上的手动工作。 标完的数据怎么进训练COCO格式导出与 20 种格式标注的终点不是“标完”而是“能被训练脚本读进去”。CVAT 的导出对话框提供 20 多种格式实现都放在 cvat/apps/dataset_manager/formats/ 目录里一眼就能对号入座COCO目标检测/分割事实标准一个 JSON 装下所有框和标签配 mmdetection、ultralytics 等框架开箱即用YOLO每图一个 txt行数是归一化坐标训练轻量检测模型时最省事Pascal VOCXML 格式老项目迁移常用Mask直接导出语义/实例分割的像素掩码图其余还有 KITTI自动驾驶、CITYSCAPES、Point Cloud 等特定领域格式。在任务或 Job 上点 Export选格式、选包含范围比如只要检测框还是连掩码一起下载压缩包即可。如果数据本身在云上反向也一样通任务数据源支持 S3、Azure Blob、Google Cloud Storage不用把 TB 级数据先下载到本地。想进一步自动化批量建任务、批量导出、接 CI仓库里的 cvat-sdk/ 提供了 Python SDKexamples/下有一堆可运行的脚本从建项目到导出数据集都有现成写法。 不再单打独斗团队协作标注与质量把控一个人标标完自己用一群人标问题就变成“谁标了什么、标得对不对”。CVAT 把这部分做成了独立模块组织结构与角色。团队管理在 cvat/apps/organizations/ 里建组织、邀请成员、按角色Worker、Supervisor、Maintainer分权限。标注员只能干活审核员能验收管理员能改结构各管各的组织成员管理按 Worker/Supervisor/Maintainer 分配角色多人一致性。同一任务可以开共识Consensus模式让多人独立标同一批数据CVAT 把不同人的结果摆在一起对比、合并配合 Issues 和评论功能审核发现的不一致可以直接在图上打标讨论而不是丢聊天记录里。质量控制的规则引擎在cvat/apps/quality_control/可以按标签和 IoU 等条件定义“什么算错”。看得见进度。每个项目自带 Analytics 页按标签统计各类形状数量、查看事件流水一眼看出哪些类别样本少、谁在拖进度项目分析报表按标签统计多边形与形状总数快速发现样本不均衡 接下来该做什么把快捷键页过一遍编辑器的 site/content/en/docs/ 目录里有 getting_started 和 annotation 两章撤销、传播、筛选对象这些高频操作都有说明用cvat-sdk/跑通一个“建任务 → 导出 COCO”的自动化脚本后面批量处理就不用点界面了数据量大到本地存不下时再回头看 Cloud Storage 配置和外部数据库部署方案。环境、标注、预标注、导出、协作五块都过了一遍剩下的基本就是按自己数据的特性调参数了。【免费下载链接】cvatComputer Vision Annotation Tool (CVAT) is a leading platform for building high-quality visual datasets for vision AI. It offers open-source, cloud, and enterprise products, as well as labeling services, for image, video, and 3D annotation with AI-assisted labeling, quality assurance, team collaboration, analytics, and developer APIs.项目地址: https://gitcode.com/GitHub_Trending/cvat/cvat创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
：跨平台环境变量读取的移植封装与实战解析)
` 从 ES6 类构建 Schema 的完整指南)
