CVAT 计算机视觉标注完整指南从一键部署到高效标注【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给一千帧视频数据画框纯人工至少要耗掉一整天还难免漏标。更麻烦的是团队场景标准靠口头传达结果散落在各人电脑里最后拼起来的标注集质量参差不齐。CVATComputer Vision Annotation Tool就是为这类问题而生的开源数据标注平台——把上传、标注、质检、导出收进同一套工作流数据全部留在你自己的服务器上。它覆盖的标注场景图片与视频的框选、多边形、骨架等 2D 标注3D 点云标注AI 模型预标注以及多人协作和按多种格式导出。本文按真实标注工作流走一遍。一条命令部署 CVAT2 分钟跑起服务环境要求不苛刻任意主流 Linux 发行版Ubuntu 20.04/22.04 均可Docker 20.10 以上内存 8GB16GB 更稳留 20GB 磁盘。克隆仓库后启动全套服务git clone https://gitcode.com/GitHub_Trending/cvat/cvat cd cvat docker-compose up -d这条命令会把后端 API、前端界面、数据库、缓存、后台任务 worker 一次拉起首次初始化需要 2~5 分钟。想盯着部署进度另开终端看日志docker-compose logs -f看到Server ready相关输出后浏览器打开http://localhost:8080。登录前先建一个管理员账号docker exec -it cvat_server bash -ic python3 manage.py createsuperuser按提示填用户名、邮箱、密码第一次标注的入口就有了。完成第一次标注建任务、画形状、导出数据集登录后进入 Tasks 页面新建任务。创建时先定义标签labels比如car、person标签就是后续所有标注的分类骨架建议先想好粒度再建。数据上传有四个来源本机拖拽、已挂载的共享目录、远程地址、云存储。选本机时直接拖图片或压缩包进上传区即可视频会自动按帧切分。任务建好后进入编辑器左侧是形状工具栏矩形、多边形、折线、点、骨架右侧是对象列表。选中工具后在画面上画框从右侧列表挑标签属性字段在选中对象时展开填写。视频任务可以用插值——首尾各标一帧中间轨迹自动补全再微调。全部标完后在任务或 Job 上执行导出选格式和类型COCO、VOC、YOLO 等标注格式或 COCO 等数据集格式下载得到的就是能直接喂给训练代码的数据集。格式对应的导入导出逻辑都在 dataset_manager/formats 模块 里共二十多种格式。让自动标注模型批量干活人工只做修正纯手工标注的最大出路是引入预标注先让模型跑一遍人工只修正效率通常能翻几倍。在 CVAT 的 Models 页面注册一个模型检测、分割、姿态估计、目标跟踪都可以填入模型地址或本地文件。之后在任务上打开 Automatic Annotation 对话框选择模型把模型输出类别映射到你的标签设定置信度阈值点 Annotate。模型跑出的框直接落在编辑器里你只需删掉误检、挪正歪框。两个实用技巧给视频任务开目标跟踪tracking只需在首帧标框后续帧自动跟随只关心画面某个区域时用 Region of interest 限定模型推理范围省算力。进阶3D 点云标注与团队协作自动驾驶、工业检测这类场景CVAT 支持 PCD/PCAP 等点云格式的 3D 标注主视图配合 Top/Side/Front 三个正交小窗同步操作标一个 cuboid四个视角同时更新。团队协作方面项目按组织划分成员可以分配不同角色管理员、标注员、审阅者任务按 Job 切分后指派给不同的人再走标注-提交-审阅的流程。还可以开启质量校验多人重复标注同一 Job 做交叉验证系统自动算出一致性指标标得差的自动打回。3D 标注的前端渲染逻辑在 cvat-canvas3d 模块想改交互可以参考这里。只讲 3 个高频坑端口冲突。CVAT 默认占用 8080 和 8090如果本机已被占用比如别的 Docker 服务编辑docker-compose.yml里 traefik 的端口映射把8080:8080改成8081:8080即可前端和 API 的地址会跟着变。服务起不来。最常见原因是内存不足或磁盘被旧镜像占满。停掉重建docker-compose down docker-compose up -d启动后仍报错就看docker-compose logs重点盯数据库和 redis 两个容器是否 ready。别用浏览器刷新保存状态。编辑器支持快捷键和撤销但误操作时优先用工具栏的 Undo刷新页面可能丢失未保存的标注。标注完成后养成先导出再关页的习惯。下一步清单✅ 部署完成后上传一批真实图片建第一个任务走完 上传→标注→导出 全流程✅ 注册一个预标注模型检测或姿态估计在下一批数据上对比纯人工 vs 预标注的实际耗时✅ 邀请一位同事加入按标注员审阅者两种角色分配权限跑一次交叉验证看看一致性指标想从代码层面继续深入可以从 官方文档 和 Python SDK 入手SDK 提供了与 Web 界面相同能力的编程接口批量操作和自动化流水线都能跑起来。【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 计算机视觉标注完整指南：从一键部署到高效标注
CVAT 计算机视觉标注完整指南从一键部署到高效标注【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给一千帧视频数据画框纯人工至少要耗掉一整天还难免漏标。更麻烦的是团队场景标准靠口头传达结果散落在各人电脑里最后拼起来的标注集质量参差不齐。CVATComputer Vision Annotation Tool就是为这类问题而生的开源数据标注平台——把上传、标注、质检、导出收进同一套工作流数据全部留在你自己的服务器上。它覆盖的标注场景图片与视频的框选、多边形、骨架等 2D 标注3D 点云标注AI 模型预标注以及多人协作和按多种格式导出。本文按真实标注工作流走一遍。一条命令部署 CVAT2 分钟跑起服务环境要求不苛刻任意主流 Linux 发行版Ubuntu 20.04/22.04 均可Docker 20.10 以上内存 8GB16GB 更稳留 20GB 磁盘。克隆仓库后启动全套服务git clone https://gitcode.com/GitHub_Trending/cvat/cvat cd cvat docker-compose up -d这条命令会把后端 API、前端界面、数据库、缓存、后台任务 worker 一次拉起首次初始化需要 2~5 分钟。想盯着部署进度另开终端看日志docker-compose logs -f看到Server ready相关输出后浏览器打开http://localhost:8080。登录前先建一个管理员账号docker exec -it cvat_server bash -ic python3 manage.py createsuperuser按提示填用户名、邮箱、密码第一次标注的入口就有了。完成第一次标注建任务、画形状、导出数据集登录后进入 Tasks 页面新建任务。创建时先定义标签labels比如car、person标签就是后续所有标注的分类骨架建议先想好粒度再建。数据上传有四个来源本机拖拽、已挂载的共享目录、远程地址、云存储。选本机时直接拖图片或压缩包进上传区即可视频会自动按帧切分。任务建好后进入编辑器左侧是形状工具栏矩形、多边形、折线、点、骨架右侧是对象列表。选中工具后在画面上画框从右侧列表挑标签属性字段在选中对象时展开填写。视频任务可以用插值——首尾各标一帧中间轨迹自动补全再微调。全部标完后在任务或 Job 上执行导出选格式和类型COCO、VOC、YOLO 等标注格式或 COCO 等数据集格式下载得到的就是能直接喂给训练代码的数据集。格式对应的导入导出逻辑都在 dataset_manager/formats 模块 里共二十多种格式。让自动标注模型批量干活人工只做修正纯手工标注的最大出路是引入预标注先让模型跑一遍人工只修正效率通常能翻几倍。在 CVAT 的 Models 页面注册一个模型检测、分割、姿态估计、目标跟踪都可以填入模型地址或本地文件。之后在任务上打开 Automatic Annotation 对话框选择模型把模型输出类别映射到你的标签设定置信度阈值点 Annotate。模型跑出的框直接落在编辑器里你只需删掉误检、挪正歪框。两个实用技巧给视频任务开目标跟踪tracking只需在首帧标框后续帧自动跟随只关心画面某个区域时用 Region of interest 限定模型推理范围省算力。进阶3D 点云标注与团队协作自动驾驶、工业检测这类场景CVAT 支持 PCD/PCAP 等点云格式的 3D 标注主视图配合 Top/Side/Front 三个正交小窗同步操作标一个 cuboid四个视角同时更新。团队协作方面项目按组织划分成员可以分配不同角色管理员、标注员、审阅者任务按 Job 切分后指派给不同的人再走标注-提交-审阅的流程。还可以开启质量校验多人重复标注同一 Job 做交叉验证系统自动算出一致性指标标得差的自动打回。3D 标注的前端渲染逻辑在 cvat-canvas3d 模块想改交互可以参考这里。只讲 3 个高频坑端口冲突。CVAT 默认占用 8080 和 8090如果本机已被占用比如别的 Docker 服务编辑docker-compose.yml里 traefik 的端口映射把8080:8080改成8081:8080即可前端和 API 的地址会跟着变。服务起不来。最常见原因是内存不足或磁盘被旧镜像占满。停掉重建docker-compose down docker-compose up -d启动后仍报错就看docker-compose logs重点盯数据库和 redis 两个容器是否 ready。别用浏览器刷新保存状态。编辑器支持快捷键和撤销但误操作时优先用工具栏的 Undo刷新页面可能丢失未保存的标注。标注完成后养成先导出再关页的习惯。下一步清单✅ 部署完成后上传一批真实图片建第一个任务走完 上传→标注→导出 全流程✅ 注册一个预标注模型检测或姿态估计在下一批数据上对比纯人工 vs 预标注的实际耗时✅ 邀请一位同事加入按标注员审阅者两种角色分配权限跑一次交叉验证看看一致性指标想从代码层面继续深入可以从 官方文档 和 Python SDK 入手SDK 提供了与 Web 界面相同能力的编程接口批量操作和自动化流水线都能跑起来。【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