把自有模型接进 CVAT 自动标注的三步实践【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手头有一个训练好的检测模型想把它接进 CVAT让平台在标注时直接调用它做自动标注省掉手工画框。CVAT 用 serverless无服务器组件实现这件事模型被打包成 Nuclio 函数CVAT 前端通过/api/lambda/接口调用它。本文从启动服务、部署函数到在界面里跑通推理一共 3 步。照着做你会得到一个在 CVAT 里能实际推理的自动标注模型并能向别人讲清前端 → lambda API → Nuclio 函数 → 模型这条调用链。最小可运行路径第 1 步启动 CVAT 与 serverless 服务如果还没拉过代码先 clone 仓库git clone https://gitcode.com/GitHub_Trending/cvat/cvat cd cvat然后在项目根目录执行docker compose -f docker-compose.yml -f components/serverless/docker-compose.serverless.yml up -d第二个文件会额外拉起一个 Nuclio 控制台容器并给 CVAT 后端加上 serverless 开关见 docker-compose.serverless.yml。执行后如果看到nuclio容器处于 running 状态说明基础设施就绪。第 2 步部署一个示例检测模型CVAT 内置了一批开箱即用的函数按框架分目录放在 serverless/ 下OpenVINO 的人脸检测与 Mask R-CNN、ONNX 的 YOLOv7、PyTorch 的 SAM / Detectron2、TensorFlow 的 Faster R-CNN。每个函数目录里有一个function.yaml描述入口、镜像、标注元数据和main.py推理入口以人脸检测为例见 face-detection-0205/nuclio/。CPU 和 GPU 的部署脚本对比脚本适用配置说明deploy_cpu.sh无显卡机器先构建 OpenVINO 基础镜像再部署所有function.yamldeploy_gpu.sh有 NVIDIA 显卡只部署function-gpu.yaml配置安装 nuctl 后在 serverless/ 目录下运行bash deploy_cpu.sh。看到结尾输出里face-detection-0205等函数状态为 ready说明部署成功。第 3 步在界面里验证自动标注打开浏览器进入 CVAT创建任务并上传一张图片进入标注界面后在 Model 区域选择刚部署的人脸检测模型选择要标注的帧或整个 Job触发自动标注。执行后如果看到人脸检测框出现在画布上说明整条链路已经跑通。原理速览前端所有模型操作由 lambda-manager.ts 里的 LambdaManager 类发出list()拉模型列表run()提交任务并拿回请求 IDlisten()轮询状态和进度call()取回推理结果。后端路由定义在 lambda_manager/urls.py即GET /api/lambda/functions列函数、POST /api/lambda/requests提交调用。模型输出的检测框需包含坐标、类型和属性等字段字段结构在 server-response-types.ts 中可以查到。避坑与验证现象界面里看不到模型列表→ 原因函数没部署成功。处理nuctl get function --platform local确认状态是 ready仍为空则检查 nuclio 容器是否 running。现象部署时报镜像不存在→ 原因跳过了基础镜像构建。处理CPU 路径必须先走 deploy_cpu.sh它会先构建 OpenVINO base 镜像。现象推理卡住或超时→ 原因模型加载耗时超过函数eventTimeout见 function.yaml。处理用 GPU 脚本部署或改用更轻的模型。现象检测框位置偏移→ 原因坐标系不一致。处理确认坐标以图像左上角为原点参考 model_handler.py 的返回格式。部署后自查清单docker compose ps中nuclio容器为 running。nuctl get function --platform local中目标函数为 ready。浏览器访问/api/lambda/functions能看到模型条目。界面触发自动标注后画布上出现目标框。框的位置与原图目标对齐无整体偏移。同样的三步流程也适用于 serverless/ 下的分割、姿态估计和跟踪模型换成对应的函数目录重新部署即可。【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 把自有模型接进 CVAT 自动标注的三步实践
把自有模型接进 CVAT 自动标注的三步实践【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手头有一个训练好的检测模型想把它接进 CVAT让平台在标注时直接调用它做自动标注省掉手工画框。CVAT 用 serverless无服务器组件实现这件事模型被打包成 Nuclio 函数CVAT 前端通过/api/lambda/接口调用它。本文从启动服务、部署函数到在界面里跑通推理一共 3 步。照着做你会得到一个在 CVAT 里能实际推理的自动标注模型并能向别人讲清前端 → lambda API → Nuclio 函数 → 模型这条调用链。最小可运行路径第 1 步启动 CVAT 与 serverless 服务如果还没拉过代码先 clone 仓库git clone https://gitcode.com/GitHub_Trending/cvat/cvat cd cvat然后在项目根目录执行docker compose -f docker-compose.yml -f components/serverless/docker-compose.serverless.yml up -d第二个文件会额外拉起一个 Nuclio 控制台容器并给 CVAT 后端加上 serverless 开关见 docker-compose.serverless.yml。执行后如果看到nuclio容器处于 running 状态说明基础设施就绪。第 2 步部署一个示例检测模型CVAT 内置了一批开箱即用的函数按框架分目录放在 serverless/ 下OpenVINO 的人脸检测与 Mask R-CNN、ONNX 的 YOLOv7、PyTorch 的 SAM / Detectron2、TensorFlow 的 Faster R-CNN。每个函数目录里有一个function.yaml描述入口、镜像、标注元数据和main.py推理入口以人脸检测为例见 face-detection-0205/nuclio/。CPU 和 GPU 的部署脚本对比脚本适用配置说明deploy_cpu.sh无显卡机器先构建 OpenVINO 基础镜像再部署所有function.yamldeploy_gpu.sh有 NVIDIA 显卡只部署function-gpu.yaml配置安装 nuctl 后在 serverless/ 目录下运行bash deploy_cpu.sh。看到结尾输出里face-detection-0205等函数状态为 ready说明部署成功。第 3 步在界面里验证自动标注打开浏览器进入 CVAT创建任务并上传一张图片进入标注界面后在 Model 区域选择刚部署的人脸检测模型选择要标注的帧或整个 Job触发自动标注。执行后如果看到人脸检测框出现在画布上说明整条链路已经跑通。原理速览前端所有模型操作由 lambda-manager.ts 里的 LambdaManager 类发出list()拉模型列表run()提交任务并拿回请求 IDlisten()轮询状态和进度call()取回推理结果。后端路由定义在 lambda_manager/urls.py即GET /api/lambda/functions列函数、POST /api/lambda/requests提交调用。模型输出的检测框需包含坐标、类型和属性等字段字段结构在 server-response-types.ts 中可以查到。避坑与验证现象界面里看不到模型列表→ 原因函数没部署成功。处理nuctl get function --platform local确认状态是 ready仍为空则检查 nuclio 容器是否 running。现象部署时报镜像不存在→ 原因跳过了基础镜像构建。处理CPU 路径必须先走 deploy_cpu.sh它会先构建 OpenVINO base 镜像。现象推理卡住或超时→ 原因模型加载耗时超过函数eventTimeout见 function.yaml。处理用 GPU 脚本部署或改用更轻的模型。现象检测框位置偏移→ 原因坐标系不一致。处理确认坐标以图像左上角为原点参考 model_handler.py 的返回格式。部署后自查清单docker compose ps中nuclio容器为 running。nuctl get function --platform local中目标函数为 ready。浏览器访问/api/lambda/functions能看到模型条目。界面触发自动标注后画布上出现目标框。框的位置与原图目标对齐无整体偏移。同样的三步流程也适用于 serverless/ 下的分割、姿态估计和跟踪模型换成对应的函数目录重新部署即可。【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