零安装图片标注工具 make-sense.ai3 分钟出第一个数据集【免费下载链接】make-senseFree to use online tool for labelling photos. https://makesense.ai项目地址: https://gitcode.com/gh_mirrors/ma/make-sense手头 500 张图等着标注手动画框画到天亮是最没必要的死法。make-sense.ai 是一个完全运行在浏览器里的免费图片标注工具不用安装软件、不用注册账号拖进图片就能画画完直接导出训练数据。更关键的是所有图片和模型推理都在你本地设备完成数据从头到尾不经过任何服务器。 核心能力一览运行方式开箱即用浏览器打开网页即可标注也支持npm start本地启动或 Docker 部署授权协议GPLv3 开源协议可自由使用、修改和再分发隐私机制基于 TensorFlow.js 在浏览器内跑推理图片不上传服务器标注类型边界框、多边形、点、线四种工具覆盖检测、分割、关键点场景AI 能力内置 COCO 预训练 SSD、YOLOv5、PoseNet 人体姿态模型支持接入自己的 YOLOv5 权重导出格式YOLO、VOC XML、COCO JSON、VGG JSON、CSV 等主流格式可批量打包下载️ 上手三步曲零配置体验浏览器直接打开 makesense.ai无需注册登录进入主界面点击选择图片按钮或把整批 JPG/PNG 直接拖进窗口批量载入在右侧工具栏选择标注类型边界框、多边形、点、线在画布上拖拽绘制绘制完成后从标签列表选名字列表里没有就现场新建一个标签顶部点击导出选 YOLO 或 COCO 等格式得到打包好的标注文件AI 加速标注点击工具栏的机器人图标选择模型来源COCO 预训练 SSD或加载自己导出的 YOLOv5 权重模型就绪后自动对当前图片跑一次检测画布上直接落出候选边界框用Ctrl 0-9快速切换标签逐个修正 AI 画歪的框和认错的名字Ctrl 方向键切到下一张图重复检测—微调流程全部过完再统一导出漏检的图手动补框即可本地跑起来克隆仓库git clone https://gitcode.com/gh_mirrors/ma/make-sense环境要求 Node 16 / npm 8装依赖后启动 Vite 开发服务器浏览器打开http://localhost:3000想常驻运行就交给 Docker构建与启动各一条命令搞定git clone https://gitcode.com/gh_mirrors/ma/make-sense cd make-sense npm install npm startDocker 方式docker build -t make-sense -f docker/Dockerfile .然后docker run -dit -p 3000:3000 --namemake-sense make-sense容器入口直接跑npm run dev。 技术骨架AI 检测引擎四个检测器集中在src/ai/统一基于 TensorFlow.js 在浏览器里推理这是图片不出设备的根本原因。src/ai/YOLOV5ObjectDetector.ts 用yolov5js加载模型加载时会先用 640 分辨率试跑失败自动回退 1280兼容不同输入尺寸的自定义权重src/ai/SSDObjectDetector.ts 是 COCO 预训练的 80 类检测器src/ai/PoseDetector.ts 估计人体关节点src/ai/RoboflowAPIObjectDetector.ts 则提供走 Roboflow API 的云端备选。数据导出管线导出逻辑在src/logic/export/按标签类型拆分RectLabelsExporter处理边界框COCOExporter、VGGExporter分别组装 COCO 和 VGG JSON 结构最后由ExporterUtil统一落盘。导入侧的src/logic/import/对应支持 YOLO 和 COCO 两种格式解析导入导出不是全通的矩阵关系具体支持矩阵见 docs/export.md 的对照表。状态管理与渲染全局状态由 Redux 托管src/store/下按labels、ai、general、notifications分域每个域都是标准的actionCreatorsreducertypes三件套。画布渲染在src/logic/render/PrimaryEditorRenderEngine负责底图与光标各标签类型有独立的渲染引擎ImageRepository缓存已加载图片切换图片时无需重新解码。make-sense/ ├── src/ │ ├── ai/ # 四个 AI 检测器 │ ├── logic/ # actions / export / import / render │ ├── store/ # Redux 状态分域 │ ├── utils/ # 纯函数工具 │ └── views/ # React 组件 ├── docs/ # 官方文档 ├── examples/ # 演示 GIF └── public/ # 静态资源 能用来做什么目标检测用边界框标注后导出 YOLO 或 COCO JSON直接喂给 YOLOv5、SSD 做增量训练语义分割多边形勾出精细轮廓导出 VGG JSON准备 Mask R-CNN 类模型的训练数据姿态估计点标注加 PoseNet 初检标注人体关节点训练关键点检测模型车道线场景用线标注勾勒车道边界导出 CSV服务自动驾驶感知管线小批量验证几百张图的验证性数据集不必安装重型标注平台浏览器里当天出结果 延伸资源docs/export.md导出格式支持矩阵docs/import.md导入格式支持矩阵docs/local-setup.md本地开发环境配置docs/shortcuts.md完整键盘快捷键表CONTRIBUTING.md贡献流程与协作约定打开 makesense.ai把第一张图拖进去画完第一组框导出第一个数据集流程走通比了解全部功能更快。标注几百张图的项目先让 SSD 或自己的 YOLOv5 模型粗跑一遍再人工修正能把纯手工时间砍掉一半以上。【免费下载链接】make-senseFree to use online tool for labelling photos. https://makesense.ai项目地址: https://gitcode.com/gh_mirrors/ma/make-sense创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 零安装图片标注工具 make-sense.ai：3 分钟出第一个数据集
零安装图片标注工具 make-sense.ai3 分钟出第一个数据集【免费下载链接】make-senseFree to use online tool for labelling photos. https://makesense.ai项目地址: https://gitcode.com/gh_mirrors/ma/make-sense手头 500 张图等着标注手动画框画到天亮是最没必要的死法。make-sense.ai 是一个完全运行在浏览器里的免费图片标注工具不用安装软件、不用注册账号拖进图片就能画画完直接导出训练数据。更关键的是所有图片和模型推理都在你本地设备完成数据从头到尾不经过任何服务器。 核心能力一览运行方式开箱即用浏览器打开网页即可标注也支持npm start本地启动或 Docker 部署授权协议GPLv3 开源协议可自由使用、修改和再分发隐私机制基于 TensorFlow.js 在浏览器内跑推理图片不上传服务器标注类型边界框、多边形、点、线四种工具覆盖检测、分割、关键点场景AI 能力内置 COCO 预训练 SSD、YOLOv5、PoseNet 人体姿态模型支持接入自己的 YOLOv5 权重导出格式YOLO、VOC XML、COCO JSON、VGG JSON、CSV 等主流格式可批量打包下载️ 上手三步曲零配置体验浏览器直接打开 makesense.ai无需注册登录进入主界面点击选择图片按钮或把整批 JPG/PNG 直接拖进窗口批量载入在右侧工具栏选择标注类型边界框、多边形、点、线在画布上拖拽绘制绘制完成后从标签列表选名字列表里没有就现场新建一个标签顶部点击导出选 YOLO 或 COCO 等格式得到打包好的标注文件AI 加速标注点击工具栏的机器人图标选择模型来源COCO 预训练 SSD或加载自己导出的 YOLOv5 权重模型就绪后自动对当前图片跑一次检测画布上直接落出候选边界框用Ctrl 0-9快速切换标签逐个修正 AI 画歪的框和认错的名字Ctrl 方向键切到下一张图重复检测—微调流程全部过完再统一导出漏检的图手动补框即可本地跑起来克隆仓库git clone https://gitcode.com/gh_mirrors/ma/make-sense环境要求 Node 16 / npm 8装依赖后启动 Vite 开发服务器浏览器打开http://localhost:3000想常驻运行就交给 Docker构建与启动各一条命令搞定git clone https://gitcode.com/gh_mirrors/ma/make-sense cd make-sense npm install npm startDocker 方式docker build -t make-sense -f docker/Dockerfile .然后docker run -dit -p 3000:3000 --namemake-sense make-sense容器入口直接跑npm run dev。 技术骨架AI 检测引擎四个检测器集中在src/ai/统一基于 TensorFlow.js 在浏览器里推理这是图片不出设备的根本原因。src/ai/YOLOV5ObjectDetector.ts 用yolov5js加载模型加载时会先用 640 分辨率试跑失败自动回退 1280兼容不同输入尺寸的自定义权重src/ai/SSDObjectDetector.ts 是 COCO 预训练的 80 类检测器src/ai/PoseDetector.ts 估计人体关节点src/ai/RoboflowAPIObjectDetector.ts 则提供走 Roboflow API 的云端备选。数据导出管线导出逻辑在src/logic/export/按标签类型拆分RectLabelsExporter处理边界框COCOExporter、VGGExporter分别组装 COCO 和 VGG JSON 结构最后由ExporterUtil统一落盘。导入侧的src/logic/import/对应支持 YOLO 和 COCO 两种格式解析导入导出不是全通的矩阵关系具体支持矩阵见 docs/export.md 的对照表。状态管理与渲染全局状态由 Redux 托管src/store/下按labels、ai、general、notifications分域每个域都是标准的actionCreatorsreducertypes三件套。画布渲染在src/logic/render/PrimaryEditorRenderEngine负责底图与光标各标签类型有独立的渲染引擎ImageRepository缓存已加载图片切换图片时无需重新解码。make-sense/ ├── src/ │ ├── ai/ # 四个 AI 检测器 │ ├── logic/ # actions / export / import / render │ ├── store/ # Redux 状态分域 │ ├── utils/ # 纯函数工具 │ └── views/ # React 组件 ├── docs/ # 官方文档 ├── examples/ # 演示 GIF └── public/ # 静态资源 能用来做什么目标检测用边界框标注后导出 YOLO 或 COCO JSON直接喂给 YOLOv5、SSD 做增量训练语义分割多边形勾出精细轮廓导出 VGG JSON准备 Mask R-CNN 类模型的训练数据姿态估计点标注加 PoseNet 初检标注人体关节点训练关键点检测模型车道线场景用线标注勾勒车道边界导出 CSV服务自动驾驶感知管线小批量验证几百张图的验证性数据集不必安装重型标注平台浏览器里当天出结果 延伸资源docs/export.md导出格式支持矩阵docs/import.md导入格式支持矩阵docs/local-setup.md本地开发环境配置docs/shortcuts.md完整键盘快捷键表CONTRIBUTING.md贡献流程与协作约定打开 makesense.ai把第一张图拖进去画完第一组框导出第一个数据集流程走通比了解全部功能更快。标注几百张图的项目先让 SSD 或自己的 YOLOv5 模型粗跑一遍再人工修正能把纯手工时间砍掉一半以上。【免费下载链接】make-senseFree to use online tool for labelling photos. https://makesense.ai项目地址: https://gitcode.com/gh_mirrors/ma/make-sense创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考