CVAT 图像视频标注工具实战指南Docker 一键部署 AI 辅助标注教程【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训练视觉模型前你多半卡在同一个环节手上几百张图、几十段视频得逐个框出人和车。人工框一天下来手都酸进度却慢得让人怀疑人生。CVATComputer Vision Annotation Tool就是干这件事的一个可自托管的图像、视频与 3D 点云标注平台支持矩形、多边形、骨架等标注工具还能接入 YOLO、SAM 这类模型先自动打一遍底你只做修正。项目速览项目说明定位开源的视觉数据标注平台为视觉 AI 构建高质量数据集开源协议MIT/serverless下个别模型资产另有许可使用前看一眼核心能力图像/视频/点云标注、AI 辅助标注、团队任务分配、质量审核、20 格式导入导出部署方式Docker Compose 自托管另有托管版 CVAT Online 可先在浏览器试用适用对象个人开发者、需要标注数据做模型训练的团队、需要管理标注流程的组织装好之后它就是一个网址团队里谁都能登录干活数据留在你自己的机器上。数据怎么进来建任务时上传入口支持四种来源本地电脑、已挂载的文件共享、远程地址、云存储S3、Azure Blob、Google Cloud 等。图像方面Pillow 支持的 JPEG、PNG、TIFF 都能读视频走 FFmpeg 解码MP4、AVI、MOV 都行3D 场景用.pcd、.bin点云。一次可以传一个压缩包含整批图片的归档不必逐张上传详见 getting_started/overview.md。标注怎么做进入任务后左侧工具栏就是标注工作台矩形、多边形、椭圆、画笔含沿已有边界绘制的自动描边、关键点、骨架3D 场景下则是 cuboid。它的工作方式值得先理解一条——首帧标好后续帧自动传播你在视频第 1 帧框住一辆车CVAT 会把这个框沿时间轴跟过去形成 track你只需在跟踪漂移的地方手动修两下比逐帧手框省力得多。嫌手动也慢就挂模型。仓库自带一批基于 Nuclio 的 serverless 预置模型YOLOv7、RetinaNet、SAM、TransT 跟踪、HRNet 姿态等列表见 serverless/在标注界面打开 Automatic annotation 面板选模型、把模型输出的类别映射到你定义的标签、设好阈值点 Annotate整段视频的框就自动铺满3D 点云则提供顶视/侧视/前视三视口联动的立方体标注适合自动驾驶这类场景标完之后质量怎么保证项目、任务、Job 三级结构把工作切给不同标注员评审员可以在结果里留 issue、打回返工还能用 Ground Truth 和 Honeypot 检查计算每个标注员的准确率这套逻辑在后端 quality_control/ 模块里。结果怎么导出、对接模型导出时选目标格式即可COCO、YOLO、Pascal VOC、KITTI、MOT 等 20 余种导出到本地或云端。反过来也能把这些格式的旧标注导入继续编辑迁移成本很低。想走自动化路线的话pip install cvat-sdk装 Python SDK 或pip install cvat-cli装命令行工具就能用脚本批量建任务、传数据、拉导出文件接口定义可参考 cvat/schema.yml。快速上手前提机器上装好 Docker Engine 和 Docker Compose。拉取代码git clone https://gitcode.com/GitHub_Trending/cvat/cvat进入目录启动整套服务cd cvat docker compose up -d创建管理员账号docker exec -it cvat_server bash -ic python3 ~/manage.py createsuperuser浏览器打开http://localhost:8080登录后新建项目、上传数据、定义标签开始标注可选启用 AI 辅助标注docker compose -f docker-compose.yml -f components/serverless/docker-compose.serverless.yml up -d再按 annotation/auto-annotation/ 文档部署需要的模型全程不到半小时能跑通第一个标注结果。实战对照你的任务具体做法预期效果视频里批量框行人/车辆YOLOv7 自动标注铺底人工修正漏检相比纯人工逐帧框选返修工作量大幅下降人只做校对医学图像精细分割多边形 画笔工具开沿边界绘制自动吸附边界贴合度高单帧耗时短于纯手绘视频跟踪标注首帧手框TransT 跟踪器传播一段几十秒的视频通常只需修几处漂移点点云目标标注Standard 3D 模式下用 cuboid三视口联动调整顶/侧/前视角同时核对位置更准生态集成开发侧三件套Python SDK、CLI 工具、REST API覆盖建任务到导出的全链路。数据侧可对接 S3、Azure Blob、Google Cloud 等对象存储标注文件不必在本地和服务器之间来回倒。需要看标注吞吐和活跃情况时仓库里自带 ClickHouse Grafana 分析栈见 components/analytics/。选型与避坑先试水用浏览器版 CVAT Online 免费档验证流程确认标注规范再决定是否自托管。中小团队选 Community 版自托管MIT 协议数据不出内网要改代码也自由。企业需要 SSO、审计日志、SLA 时看 Enterprise 版本。浏览器主要测试过 Chrome/EdgeFirefox 可用但有坑Safari 不支持。没有 GPU 能跑吗能。预置模型跑 CPU 即可只是自动标注慢一些数据量特别大再考虑 GPU。担心数据安全自托管版本所有数据落在你自己的基础设施里这正是它和托管版最大的区别。一句话小结CVAT 把上传数据、自动打标、人工修正、审核、导出喂模型整条链路收进一个自托管的 Web 应用MIT 协议、Docker 一条命令起步、20 多种格式随你进随你出。只要你的项目要喂视觉模型这套工具链值得放进备选清单。【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 图像视频标注工具实战指南：Docker 一键部署 + AI 辅助标注教程
CVAT 图像视频标注工具实战指南Docker 一键部署 AI 辅助标注教程【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训练视觉模型前你多半卡在同一个环节手上几百张图、几十段视频得逐个框出人和车。人工框一天下来手都酸进度却慢得让人怀疑人生。CVATComputer Vision Annotation Tool就是干这件事的一个可自托管的图像、视频与 3D 点云标注平台支持矩形、多边形、骨架等标注工具还能接入 YOLO、SAM 这类模型先自动打一遍底你只做修正。项目速览项目说明定位开源的视觉数据标注平台为视觉 AI 构建高质量数据集开源协议MIT/serverless下个别模型资产另有许可使用前看一眼核心能力图像/视频/点云标注、AI 辅助标注、团队任务分配、质量审核、20 格式导入导出部署方式Docker Compose 自托管另有托管版 CVAT Online 可先在浏览器试用适用对象个人开发者、需要标注数据做模型训练的团队、需要管理标注流程的组织装好之后它就是一个网址团队里谁都能登录干活数据留在你自己的机器上。数据怎么进来建任务时上传入口支持四种来源本地电脑、已挂载的文件共享、远程地址、云存储S3、Azure Blob、Google Cloud 等。图像方面Pillow 支持的 JPEG、PNG、TIFF 都能读视频走 FFmpeg 解码MP4、AVI、MOV 都行3D 场景用.pcd、.bin点云。一次可以传一个压缩包含整批图片的归档不必逐张上传详见 getting_started/overview.md。标注怎么做进入任务后左侧工具栏就是标注工作台矩形、多边形、椭圆、画笔含沿已有边界绘制的自动描边、关键点、骨架3D 场景下则是 cuboid。它的工作方式值得先理解一条——首帧标好后续帧自动传播你在视频第 1 帧框住一辆车CVAT 会把这个框沿时间轴跟过去形成 track你只需在跟踪漂移的地方手动修两下比逐帧手框省力得多。嫌手动也慢就挂模型。仓库自带一批基于 Nuclio 的 serverless 预置模型YOLOv7、RetinaNet、SAM、TransT 跟踪、HRNet 姿态等列表见 serverless/在标注界面打开 Automatic annotation 面板选模型、把模型输出的类别映射到你定义的标签、设好阈值点 Annotate整段视频的框就自动铺满3D 点云则提供顶视/侧视/前视三视口联动的立方体标注适合自动驾驶这类场景标完之后质量怎么保证项目、任务、Job 三级结构把工作切给不同标注员评审员可以在结果里留 issue、打回返工还能用 Ground Truth 和 Honeypot 检查计算每个标注员的准确率这套逻辑在后端 quality_control/ 模块里。结果怎么导出、对接模型导出时选目标格式即可COCO、YOLO、Pascal VOC、KITTI、MOT 等 20 余种导出到本地或云端。反过来也能把这些格式的旧标注导入继续编辑迁移成本很低。想走自动化路线的话pip install cvat-sdk装 Python SDK 或pip install cvat-cli装命令行工具就能用脚本批量建任务、传数据、拉导出文件接口定义可参考 cvat/schema.yml。快速上手前提机器上装好 Docker Engine 和 Docker Compose。拉取代码git clone https://gitcode.com/GitHub_Trending/cvat/cvat进入目录启动整套服务cd cvat docker compose up -d创建管理员账号docker exec -it cvat_server bash -ic python3 ~/manage.py createsuperuser浏览器打开http://localhost:8080登录后新建项目、上传数据、定义标签开始标注可选启用 AI 辅助标注docker compose -f docker-compose.yml -f components/serverless/docker-compose.serverless.yml up -d再按 annotation/auto-annotation/ 文档部署需要的模型全程不到半小时能跑通第一个标注结果。实战对照你的任务具体做法预期效果视频里批量框行人/车辆YOLOv7 自动标注铺底人工修正漏检相比纯人工逐帧框选返修工作量大幅下降人只做校对医学图像精细分割多边形 画笔工具开沿边界绘制自动吸附边界贴合度高单帧耗时短于纯手绘视频跟踪标注首帧手框TransT 跟踪器传播一段几十秒的视频通常只需修几处漂移点点云目标标注Standard 3D 模式下用 cuboid三视口联动调整顶/侧/前视角同时核对位置更准生态集成开发侧三件套Python SDK、CLI 工具、REST API覆盖建任务到导出的全链路。数据侧可对接 S3、Azure Blob、Google Cloud 等对象存储标注文件不必在本地和服务器之间来回倒。需要看标注吞吐和活跃情况时仓库里自带 ClickHouse Grafana 分析栈见 components/analytics/。选型与避坑先试水用浏览器版 CVAT Online 免费档验证流程确认标注规范再决定是否自托管。中小团队选 Community 版自托管MIT 协议数据不出内网要改代码也自由。企业需要 SSO、审计日志、SLA 时看 Enterprise 版本。浏览器主要测试过 Chrome/EdgeFirefox 可用但有坑Safari 不支持。没有 GPU 能跑吗能。预置模型跑 CPU 即可只是自动标注慢一些数据量特别大再考虑 GPU。担心数据安全自托管版本所有数据落在你自己的基础设施里这正是它和托管版最大的区别。一句话小结CVAT 把上传数据、自动打标、人工修正、审核、导出喂模型整条链路收进一个自托管的 Web 应用MIT 协议、Docker 一条命令起步、20 多种格式随你进随你出。只要你的项目要喂视觉模型这套工具链值得放进备选清单。【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