X-AnyLabeling AI数据标注工具从手动标框到分钟级批量出结果【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打开一个几百张图像的文件夹每帧还有七八个车辆和行人手动拉框得花上整整两天。X-AnyLabeling 是AI数据标注工具一次点击模型就能出初标框人只做微调。它把标注工具、批量预测和多格式导出整合进同一个跨平台桌面应用Windows、Linux、macOS 都能跑。 五分钟跑起来前置条件只有一个Python 3.11 及以上推荐 3.12。三步完成# 1. 获取源码 git clone https://gitcode.com/gh_mirrors/xa/X-AnyLabeling cd X-AnyLabeling # 2. 安装依赖CPU 或 GPU 二选一 pip install -e .[cpu] # CPU 版三平台通用 pip install -e .[gpu] # CUDA 12.x GPU 版Windows/Linux # 3. 验证并启动 xanylabeling checks xanylabeling两点提醒cpu 和 gpu 系列互斥同一环境只能装一个CUDA 11/13 对应[gpu-cu11]、[gpu-cu13]。启动后按 CtrlA 打开模型面板模型文件首次使用时自动下载到~/xanylabeling_data/models/目录。 用任务视角看能力任务一批量出检测初框输入一个图像文件夹比如含车辆、行人的街景。操作打开文件夹CtrlA 加载 YOLOv8s 这类检测模型模型逐张预测直接落框。产出每张图带上类别框和置信度人工删除误检、挪动错框后导出。导出前可按类别核对数量漏标、多标的类别在这里最容易暴露。任务二给图像里的文字标框识别输入带文字的图片如车牌照片、产品参数页。操作模型面板里选择 PP-OCRv4/v5/v6 可选。产出文字区域框加识别出的字符直接写进标注文件适合车牌识别和文档处理场景。任务三分割不好拉框的目标输入边缘弯曲、被遮挡的物体图片。操作选 SAM 系列模型点一下目标或拖出大致区域。产出像素级 mask可导出为多边形或 mask 文件。 能力边界与扩展内置模型以 ONNX 格式为主覆盖的任务类型包括检测YOLOv5/6/7/8/9/10/11/12/26、YOLOX、RT-DETR、RF-DETR、Grounding DINO分割SAM 1/2/3、SAM-HQ、EdgeSAM、YOLO-Seg 系列文字识别PP-OCR v4/v5/v6姿态与关键点YOLO-Pose、RTMO、DWPose其他人脸检测SCRFD、多目标跟踪ByteTrack、Bot-SORT、深度估计、图像抠图完整列表见模型库。导入导出的标注格式支持 COCO、VOC、YOLO、DOTA、MOT、MASK、PPOCR 等格式间批量转换用命令行xanylabeling convert。扩展入口有两个自定义模型把训练好的权重导出为 ONNX照着 anylabeling/configs/auto_labeling/ 里的模板写 yaml 配置界面选择加载自定义模型即可。远程推理把模型放在服务器上、客户端连接调用实现在 remote_server.py适合模型太大或需要多人共享算力的情况。推理引擎支持 ONNX Runtime、TensorRT、OpenCV DNN引擎代码在 anylabeling/services/auto_labeling/engines/。⚡ 效率与协作批量策略先拿 20~30 张图试跑框的质量满意了再跑全量。批量预测走完全文件夹视频帧序列用对象管理器AltS统一处理。交付前用概览面板核对类别数量避免漏标。团队流程先统一类别列表再按文件夹分工各人负责不同子集。按任务类型分配检测和 OCR 用不同模型各人用自己熟的任务。标注数据纳入 Git 管理版本定期抽样核对一致性。❓ 新手常见坑CPU 和 GPU 版本怎么选几百张以内的小数据集用 CPU 就够批量大且有显卡再上 GPU 版。CUDA 11/12/13 分别选[gpu-cu11]、[gpu]、[gpu-cu13]cuDNN 版本也要匹配8.x 或 9.x。同一环境四个选项只能装一个装混了会报错。模型下载慢或失败怎么办两个办法在设置里切换模型下载源可切到 ModelScope或离线下载模型文件把 yaml 配置里的model_path改成本地路径后走自定义模型加载。路径里避免中文字符。GPU 版加载 CUDA 库失败、闪退大多是 CUDA、cuDNN、ONNX Runtime 三者的版本对不上逐项核对版本对应关系。实在解决不了先回退 CPU 版把流程跑通再单独处理 GPU 环境。适合需要为检测、分割、文字识别等任务攒训练数据的新手开发者和数据工程师。建议先克隆源码装好 CPU 版拿一个文件夹的图跑通全流程再决定是否升级 GPU。【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 X-AnyLabeling AI数据标注工具：从手动标框到分钟级批量出结果
X-AnyLabeling AI数据标注工具从手动标框到分钟级批量出结果【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打开一个几百张图像的文件夹每帧还有七八个车辆和行人手动拉框得花上整整两天。X-AnyLabeling 是AI数据标注工具一次点击模型就能出初标框人只做微调。它把标注工具、批量预测和多格式导出整合进同一个跨平台桌面应用Windows、Linux、macOS 都能跑。 五分钟跑起来前置条件只有一个Python 3.11 及以上推荐 3.12。三步完成# 1. 获取源码 git clone https://gitcode.com/gh_mirrors/xa/X-AnyLabeling cd X-AnyLabeling # 2. 安装依赖CPU 或 GPU 二选一 pip install -e .[cpu] # CPU 版三平台通用 pip install -e .[gpu] # CUDA 12.x GPU 版Windows/Linux # 3. 验证并启动 xanylabeling checks xanylabeling两点提醒cpu 和 gpu 系列互斥同一环境只能装一个CUDA 11/13 对应[gpu-cu11]、[gpu-cu13]。启动后按 CtrlA 打开模型面板模型文件首次使用时自动下载到~/xanylabeling_data/models/目录。 用任务视角看能力任务一批量出检测初框输入一个图像文件夹比如含车辆、行人的街景。操作打开文件夹CtrlA 加载 YOLOv8s 这类检测模型模型逐张预测直接落框。产出每张图带上类别框和置信度人工删除误检、挪动错框后导出。导出前可按类别核对数量漏标、多标的类别在这里最容易暴露。任务二给图像里的文字标框识别输入带文字的图片如车牌照片、产品参数页。操作模型面板里选择 PP-OCRv4/v5/v6 可选。产出文字区域框加识别出的字符直接写进标注文件适合车牌识别和文档处理场景。任务三分割不好拉框的目标输入边缘弯曲、被遮挡的物体图片。操作选 SAM 系列模型点一下目标或拖出大致区域。产出像素级 mask可导出为多边形或 mask 文件。 能力边界与扩展内置模型以 ONNX 格式为主覆盖的任务类型包括检测YOLOv5/6/7/8/9/10/11/12/26、YOLOX、RT-DETR、RF-DETR、Grounding DINO分割SAM 1/2/3、SAM-HQ、EdgeSAM、YOLO-Seg 系列文字识别PP-OCR v4/v5/v6姿态与关键点YOLO-Pose、RTMO、DWPose其他人脸检测SCRFD、多目标跟踪ByteTrack、Bot-SORT、深度估计、图像抠图完整列表见模型库。导入导出的标注格式支持 COCO、VOC、YOLO、DOTA、MOT、MASK、PPOCR 等格式间批量转换用命令行xanylabeling convert。扩展入口有两个自定义模型把训练好的权重导出为 ONNX照着 anylabeling/configs/auto_labeling/ 里的模板写 yaml 配置界面选择加载自定义模型即可。远程推理把模型放在服务器上、客户端连接调用实现在 remote_server.py适合模型太大或需要多人共享算力的情况。推理引擎支持 ONNX Runtime、TensorRT、OpenCV DNN引擎代码在 anylabeling/services/auto_labeling/engines/。⚡ 效率与协作批量策略先拿 20~30 张图试跑框的质量满意了再跑全量。批量预测走完全文件夹视频帧序列用对象管理器AltS统一处理。交付前用概览面板核对类别数量避免漏标。团队流程先统一类别列表再按文件夹分工各人负责不同子集。按任务类型分配检测和 OCR 用不同模型各人用自己熟的任务。标注数据纳入 Git 管理版本定期抽样核对一致性。❓ 新手常见坑CPU 和 GPU 版本怎么选几百张以内的小数据集用 CPU 就够批量大且有显卡再上 GPU 版。CUDA 11/12/13 分别选[gpu-cu11]、[gpu]、[gpu-cu13]cuDNN 版本也要匹配8.x 或 9.x。同一环境四个选项只能装一个装混了会报错。模型下载慢或失败怎么办两个办法在设置里切换模型下载源可切到 ModelScope或离线下载模型文件把 yaml 配置里的model_path改成本地路径后走自定义模型加载。路径里避免中文字符。GPU 版加载 CUDA 库失败、闪退大多是 CUDA、cuDNN、ONNX Runtime 三者的版本对不上逐项核对版本对应关系。实在解决不了先回退 CPU 版把流程跑通再单独处理 GPU 环境。适合需要为检测、分割、文字识别等任务攒训练数据的新手开发者和数据工程师。建议先克隆源码装好 CPU 版拿一个文件夹的图跑通全流程再决定是否升级 GPU。【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