CVAT 数据标注完整指南Docker 5分钟部署从建项目到导出训练集【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你手里有一批图片要标注用 Excel 记坐标太慢用别的工具导出的格式又喂不进自己的训练代码——这是很多做 CV 的人都会撞上的墙。CVATComputer Vision Annotation Tool就是为这种场景准备的开源标注平台支持图片、视频、3D 点云内置 AI 预标注还能团队协作和直接导出 COCO、YOLO 这类训练格式。下面按部署 → 跑通一个任务 → 提速 → 带团队的顺序带你走完一遍。几分钟跑起来 Docker 是最省事的方式CVAT 的依赖不少Nginx、Redis、Kvrocks、Celery 队列等手动装容易踩坑直接用仓库里现成的docker-compose.yml最稳。前提是装好 Docker 和 Docker Compose。git clone https://gitcode.com/GitHub_Trending/cvat/cvat cd cvat docker-compose up -d第一次拉镜像可能要等几分钟耐心看一下容器状态变成Up就行。浏览器打开http://localhost:8080用默认账号admin/admin登录登录后会提示改密码改掉更安全。想换个环境跑如果 Docker 内存吃紧可以看 docker-compose.dev.yml 做资源调优要接外部数据库或加 HTTPS仓库里还有docker-compose.external_db.yml和docker-compose.https.yml两份配置思路都是换一份 compose 文件参数不动。从零走完一个标注任务拿给街景图里的汽车和行人打标这个小例子走完整条链路。建项目再建任务首页点 Projects → 新建项目起个名字比如街景检测。进入项目后新建任务数据来源可以选本地上传、连接的文件共享、远程 URL 或云存储S3、Azure Blob 等仓库文档里各有教程。数据一传CVAT 会把图片序列自动切成 Job 分片。创建时还能顺手配标签点 Labels 面板的 Raw 标签页添加car、pedestrian两个标签需要的话再给标签挂属性比如颜色。标注到导出一条线走完打开 Job 就开始画选标签用矩形工具框目标画完点保存CtrlS。视频任务里可以只在首尾帧标注用插值让中间帧自动生成框。标完后导出进入 Job选 Export Dataset弹出对话框里挑格式——CVAT 内置了 26 种导出格式COCO、Pascal VOC、YOLO、MOT 等训练常用的都有实现代码在 cvat/apps/dataset_manager/formats/ 可以直接对照。选完格式、按需打开Save images开关OK 后等一会儿浏览器就会开始下载 zip解压即可训练。让标注提速的利器 ⚡先用 AI 预标注再手动修从零画框是最耗时的环节。CVAT 的 Models 页面挂着一批预训练模型检测器、分割、人体姿态等建任务时就能指定模型做自动预标注模型先出一版粗框你只需要挪一挪、删错漏。模型服务的部署脚本在 serverless/ 目录下按 OpenVINO、TensorFlow、PyTorch 分门别类想接自己的模型可以照着 ai-models/ 和 cvat-core/src/ml-model.ts 里的接口写一个推理服务再接进来。工具和快捷键一起用矩形框、多边形、关键点、Cuboid3D 框等工具都挂在左侧工具栏。分割类任务可以用画笔工具涂掩码还能和 AI 分割结果联动。几个高频快捷键值得记下来F框选目标、P切多边形、Z/Y撤销重做、CtrlS保存。标视频时用传播按钮把当前帧的框推到前后帧比一帧帧画快得多。当一个人变成一支团队 邀请成员分配角色个人标得动 1000 张图标不动 100 万张。建一个 Organization在成员面板里填邮箱、选角色Manager、Editor、Worker 等发邀请对方注册后自动入组。组织模块的权限逻辑在 cvat/apps/organizations/角色能干什么、不能干什么可以对照源码里的 OPA 规则看。任务层面还能再细分把 Job 指派给具体标注员审核流程走 Job 的状态流转谁的哪一帧没通过一目了然。看进度、控质量Analytics 页面直接给出每个项目、每个 Job 的标注进度和事件流水不用再去问你标到哪了。质量侧有 Quality Control 模块cvat/apps/quality_control/支持多人交叉标注 一致性合并Consensus分歧大的标注会单独标出来让你复核。标注还有历史记录误操作可以回滚。卡住了先看这里页面卡顿、加载慢优先看 Docker 容器分配的内存够不够后端吃内存不小大批量图片可以先降分辨率导入或者检查是不是开了太多浏览器标签页。AI 模型加载不出来CVAT 的模型是独立部署的推理服务先确认 serverless 容器是否启动、端口是否通再看 cvat/requirements/ 下对应运行时的依赖装全了没有。导出的格式不对口确认 Job 里标签和属性配齐了再导出格式列表很长选错格式时程序会在导出阶段直接报出具体原因照着提示改即可。想继续深入从这几个入口进项目说明看 README.mdUI 代码在 cvat-ui/Python SDK 和一堆可运行的示例脚本在 cvat-sdk/examples/照着一个 example 跑下来API 用法就清楚了。现在就docker-compose up -d把第一批图丢进去半小时后你就能拿到第一份训练可用的标注数据。【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 数据标注完整指南：Docker 5分钟部署，从建项目到导出训练集
CVAT 数据标注完整指南Docker 5分钟部署从建项目到导出训练集【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你手里有一批图片要标注用 Excel 记坐标太慢用别的工具导出的格式又喂不进自己的训练代码——这是很多做 CV 的人都会撞上的墙。CVATComputer Vision Annotation Tool就是为这种场景准备的开源标注平台支持图片、视频、3D 点云内置 AI 预标注还能团队协作和直接导出 COCO、YOLO 这类训练格式。下面按部署 → 跑通一个任务 → 提速 → 带团队的顺序带你走完一遍。几分钟跑起来 Docker 是最省事的方式CVAT 的依赖不少Nginx、Redis、Kvrocks、Celery 队列等手动装容易踩坑直接用仓库里现成的docker-compose.yml最稳。前提是装好 Docker 和 Docker Compose。git clone https://gitcode.com/GitHub_Trending/cvat/cvat cd cvat docker-compose up -d第一次拉镜像可能要等几分钟耐心看一下容器状态变成Up就行。浏览器打开http://localhost:8080用默认账号admin/admin登录登录后会提示改密码改掉更安全。想换个环境跑如果 Docker 内存吃紧可以看 docker-compose.dev.yml 做资源调优要接外部数据库或加 HTTPS仓库里还有docker-compose.external_db.yml和docker-compose.https.yml两份配置思路都是换一份 compose 文件参数不动。从零走完一个标注任务拿给街景图里的汽车和行人打标这个小例子走完整条链路。建项目再建任务首页点 Projects → 新建项目起个名字比如街景检测。进入项目后新建任务数据来源可以选本地上传、连接的文件共享、远程 URL 或云存储S3、Azure Blob 等仓库文档里各有教程。数据一传CVAT 会把图片序列自动切成 Job 分片。创建时还能顺手配标签点 Labels 面板的 Raw 标签页添加car、pedestrian两个标签需要的话再给标签挂属性比如颜色。标注到导出一条线走完打开 Job 就开始画选标签用矩形工具框目标画完点保存CtrlS。视频任务里可以只在首尾帧标注用插值让中间帧自动生成框。标完后导出进入 Job选 Export Dataset弹出对话框里挑格式——CVAT 内置了 26 种导出格式COCO、Pascal VOC、YOLO、MOT 等训练常用的都有实现代码在 cvat/apps/dataset_manager/formats/ 可以直接对照。选完格式、按需打开Save images开关OK 后等一会儿浏览器就会开始下载 zip解压即可训练。让标注提速的利器 ⚡先用 AI 预标注再手动修从零画框是最耗时的环节。CVAT 的 Models 页面挂着一批预训练模型检测器、分割、人体姿态等建任务时就能指定模型做自动预标注模型先出一版粗框你只需要挪一挪、删错漏。模型服务的部署脚本在 serverless/ 目录下按 OpenVINO、TensorFlow、PyTorch 分门别类想接自己的模型可以照着 ai-models/ 和 cvat-core/src/ml-model.ts 里的接口写一个推理服务再接进来。工具和快捷键一起用矩形框、多边形、关键点、Cuboid3D 框等工具都挂在左侧工具栏。分割类任务可以用画笔工具涂掩码还能和 AI 分割结果联动。几个高频快捷键值得记下来F框选目标、P切多边形、Z/Y撤销重做、CtrlS保存。标视频时用传播按钮把当前帧的框推到前后帧比一帧帧画快得多。当一个人变成一支团队 邀请成员分配角色个人标得动 1000 张图标不动 100 万张。建一个 Organization在成员面板里填邮箱、选角色Manager、Editor、Worker 等发邀请对方注册后自动入组。组织模块的权限逻辑在 cvat/apps/organizations/角色能干什么、不能干什么可以对照源码里的 OPA 规则看。任务层面还能再细分把 Job 指派给具体标注员审核流程走 Job 的状态流转谁的哪一帧没通过一目了然。看进度、控质量Analytics 页面直接给出每个项目、每个 Job 的标注进度和事件流水不用再去问你标到哪了。质量侧有 Quality Control 模块cvat/apps/quality_control/支持多人交叉标注 一致性合并Consensus分歧大的标注会单独标出来让你复核。标注还有历史记录误操作可以回滚。卡住了先看这里页面卡顿、加载慢优先看 Docker 容器分配的内存够不够后端吃内存不小大批量图片可以先降分辨率导入或者检查是不是开了太多浏览器标签页。AI 模型加载不出来CVAT 的模型是独立部署的推理服务先确认 serverless 容器是否启动、端口是否通再看 cvat/requirements/ 下对应运行时的依赖装全了没有。导出的格式不对口确认 Job 里标签和属性配齐了再导出格式列表很长选错格式时程序会在导出阶段直接报出具体原因照着提示改即可。想继续深入从这几个入口进项目说明看 README.mdUI 代码在 cvat-ui/Python SDK 和一堆可运行的示例脚本在 cvat-sdk/examples/照着一个 example 跑下来API 用法就清楚了。现在就docker-compose up -d把第一批图丢进去半小时后你就能拿到第一份训练可用的标注数据。【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