CVAT 图像标注工具免费快速上手指南十分钟完成你的第一次标注【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几百张图一个人一帧一帧地手动标要标到什么时候答案是让工具替你干活。CVATComputer Vision Annotation Tool是一款免费开源的图像标注工具它对图片、视频和 3D 点云都能画框、画多边形、刷掩码、点关键点还内置 AI 预标注、团队协作和进度统计。这篇指南带你从装好它到导出第一份标注数据。CVAT 是什么、适合谁用一句话定位CVAT 是一个可以免费自建、数据不出内网的开源图像标注平台核心能力是把原始素材变成能直接喂给模型的训练数据。它适合这几类人你要训练目标检测模型需要给几千张图打矩形框你在做视频动作研究需要逐帧标注并跨帧跟踪目标你的团队是自动驾驶方向需要标注激光雷达点云装好之前先确认一下你的机器上已经装好了 Docker 和 Docker Compose这是后面十分钟部署的前提。 十分钟跑起来Docker 一键部署部署只用一种最省事的办法。先克隆仓库并启动整套服务git clone https://gitcode.com/GitHub_Trending/cvat/cvat cd cvat docker compose up -d启动过程会在后台拉起数据库、缓存、后端、前端和统计组件不用你手动配置环境。服务起来后再执行一条命令创建管理员账号按提示填用户名和密码docker exec -it cvat_server bash -ic python3 ~/manage.py createsuperuser接着打开浏览器访问http://localhost:8080用刚创建的这个账号登录你就进入了 CVAT 首页。这里提醒一句安全事项这台实例里跑的是真实数据建议只在内网开放 8080 端口别把管理端口直接暴露到公网。更多部署选项外部数据库、Kubernetes、备份升级在 README.md 里都有入口说明。环境就绪了现在正式从零做第一次标注。从零做完第一次标注项目、任务、标签三件套登录首页后顶部导航栏点 Projects再点 Create New Project填一个项目名和描述项目用来把相关任务归到一起相当于文件夹。进入项目后点 Create New Task 新建任务这里分三步走。第一步选数据来源界面会给你 My computer本地上传、Connected file share已挂载的共享目录、Remote sources网址、Cloud Storage云存储四个选项新手先选本地上传把图片压缩包、单视频或多张图片拖进上传区即可。第二步配置标签也就是告诉 CVAT 你要标什么点 Add label 逐条添加类别比如 car、pedestrian为每个标签选颜色和形状类型还能给标签挂属性比如颜色、尺寸这类附加字段。第三步保存任务CVAT 会自动把数据切分成一个或多个 Job。保存完成后回到任务详情页你会看到 Jobs 列表点进去进入标注窗口画面中央是你要标注的图像或视频帧顶部工具栏有保存、撤销、缩放按钮右侧面板是对象列表和标签管理。至此从素材到第一个可标注的作业单元就全部打通了接下来该选工具干活了。按任务挑标注工具四种任务四种手感CVAT 的标注形态很多但按任务类型挑其实就四类你对号入座就行。目标框选矩形框最快最常用适合目标检测任务。在右侧面板选中 Rectangle 标签后在画面上按住鼠标拖出一个矩形四个角的小手柄可以拖动微调大小和位置。手感就是画框—改框—下一个熟练后一分钟能标几十个目标是整个平台里最提效的工具。像素级分割多边形与掩码画笔适合语义分割、实例分割这类要抠到像素的任务。多边形沿目标轮廓逐点点出闭合后形成精确区域掩码画笔则像刷墙一样涂抹出区域边刷边看掩码实时生成。分割比画框费时间得多但换来的是更贴合不规则边缘的标注结果适合对精度要求高的场景。视频跟踪画一帧让目标自己动视频任务里不用每帧都画。你在第 0 帧给目标框一个矩形打开跟踪功能CVAT 会自动把目标跟到后面的帧它跟丢或偏了你只需在出错帧上手动修一下。另外还有插值interpolation玩法你只画起始帧和结束帧中间帧的位置由工具自动补齐标注一段连续运动的目标非常省劲。3D 点云标注三视图里框立方体自动驾驶团队的激光雷达数据走这条路。打开点云任务后界面给出 Top俯视、Side侧视、Front前视三个视角你在三个视图里协同调整把一个立方体框cuboid套在车辆或行人上标注结果自带三维尺寸信息。关键点与骨架姿态估计、面部特征这类任务用点Points形态逐点点出关节位置骨架模型则按结构连点成线。它和前面的框、分割工具可以混用比如一个人身上既有矩形框又有关键点。工具选好了但纯手工标注依然是体力活下面就把重复劳动交给 AI。 把重复劳动交给 AI自动预标注流程CVAT 支持接入预训练模型做自动标注预置模型覆盖检测、分割、姿态估计和跟踪仓库里的 serverless/ 目录就是这些模型的定义位置YOLO、Faster R-CNN、SAM 系列等。流程串起来是这样的你上传好数据并保存任务后打开任务里的 Automatic annotation自动标注入口在模型下拉框里选一个比如 YOLO v7然后把模型的类别映射到你自己的标签上需要时还能框定一个感兴趣区域Region of interest让模型只跑这一块画面。点 Annotate 后稍等片刻整批图像上就会铺满 AI 画好的初始框。接下来是你的活逐条检查 AI 的结果删掉错的、补上漏的、把框调准最后保存导出。整个过程的分工就是AI 打底、人来把关——机器负责把八成的框先画出来你只负责最后两成的判断速度比纯手动快一个量级。导出格式与团队协作管理标注完成后导出走任务详情页的导出入口格式列表有二十多种主流的都支持COCO、YOLO、Pascal VOC、KITTI 这些训练框架认的格式都能直接选选完下载就能进训练管线。真正值钱的是团队协作这一层。CVAT 用组织organization管理成员你给每个同事分配不同角色管理员管全局标注员只能干活审核员负责复核任务指派到具体人头上。标得对不对、标了多少打开 Analytics分析页面就能看到按项目统计每个标签的标注数量用户活动、作业耗时、事件流水都有现成面板用 Grafana 呈现。改错了也别慌。标注窗口自带历史记录每一次保存都留痕你可以回看任意一个历史版本并恢复到那个状态相当于标注数据的撤销时间线跨标注员的对比复核consensus也在这套体系里。导出、权限、回溯三件事齐了一个团队可以长期在一个 CVAT 实例上跑。踩坑速查三个高频问题启动后打不开页面怎么办先运行docker compose ps确认所有容器都是运行状态再对报错的容器看日志docker compose logs 容器名。端口冲突的话在启动前设置环境变量 CVAT_HOST 换用别的入口即可。自动标注选不到模型自动标注依赖 serverless 组件默认部署里没有开启。你需要叠加 serverless 的 compose 文件重新拉起服务再用 nuctl 把需要的模型函数部署进去README 里的 ML and AI Models 一节列了完整模型清单。标注界面操作卡顿CVAT 主要在 Chromium 系浏览器Chrome、Edge上测试过Safari 明确不支持Firefox 能用但可能有坑。换到 Chrome 或 Edge 基本就流畅了。CVAT 把免费、自建、AI 辅助这三件事放在了一个开源图像标注工具里个人练手和团队生产都够用。现在装好它把你手头的第一批图丢进去跑完第一次标注吧。【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 图像标注工具免费快速上手指南十分钟完成你的第一次标注【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几百张图一个人一帧一帧地手动标要标到什么时候答案是让工具替你干活。CVATComputer Vision Annotation Tool是一款免费开源的图像标注工具它对图片、视频和 3D 点云都能画框、画多边形、刷掩码、点关键点还内置 AI 预标注、团队协作和进度统计。这篇指南带你从装好它到导出第一份标注数据。CVAT 是什么、适合谁用一句话定位CVAT 是一个可以免费自建、数据不出内网的开源图像标注平台核心能力是把原始素材变成能直接喂给模型的训练数据。它适合这几类人你要训练目标检测模型需要给几千张图打矩形框你在做视频动作研究需要逐帧标注并跨帧跟踪目标你的团队是自动驾驶方向需要标注激光雷达点云装好之前先确认一下你的机器上已经装好了 Docker 和 Docker Compose这是后面十分钟部署的前提。 十分钟跑起来Docker 一键部署部署只用一种最省事的办法。先克隆仓库并启动整套服务git clone https://gitcode.com/GitHub_Trending/cvat/cvat cd cvat docker compose up -d启动过程会在后台拉起数据库、缓存、后端、前端和统计组件不用你手动配置环境。服务起来后再执行一条命令创建管理员账号按提示填用户名和密码docker exec -it cvat_server bash -ic python3 ~/manage.py createsuperuser接着打开浏览器访问http://localhost:8080用刚创建的这个账号登录你就进入了 CVAT 首页。这里提醒一句安全事项这台实例里跑的是真实数据建议只在内网开放 8080 端口别把管理端口直接暴露到公网。更多部署选项外部数据库、Kubernetes、备份升级在 README.md 里都有入口说明。环境就绪了现在正式从零做第一次标注。从零做完第一次标注项目、任务、标签三件套登录首页后顶部导航栏点 Projects再点 Create New Project填一个项目名和描述项目用来把相关任务归到一起相当于文件夹。进入项目后点 Create New Task 新建任务这里分三步走。第一步选数据来源界面会给你 My computer本地上传、Connected file share已挂载的共享目录、Remote sources网址、Cloud Storage云存储四个选项新手先选本地上传把图片压缩包、单视频或多张图片拖进上传区即可。第二步配置标签也就是告诉 CVAT 你要标什么点 Add label 逐条添加类别比如 car、pedestrian为每个标签选颜色和形状类型还能给标签挂属性比如颜色、尺寸这类附加字段。第三步保存任务CVAT 会自动把数据切分成一个或多个 Job。保存完成后回到任务详情页你会看到 Jobs 列表点进去进入标注窗口画面中央是你要标注的图像或视频帧顶部工具栏有保存、撤销、缩放按钮右侧面板是对象列表和标签管理。至此从素材到第一个可标注的作业单元就全部打通了接下来该选工具干活了。按任务挑标注工具四种任务四种手感CVAT 的标注形态很多但按任务类型挑其实就四类你对号入座就行。目标框选矩形框最快最常用适合目标检测任务。在右侧面板选中 Rectangle 标签后在画面上按住鼠标拖出一个矩形四个角的小手柄可以拖动微调大小和位置。手感就是画框—改框—下一个熟练后一分钟能标几十个目标是整个平台里最提效的工具。像素级分割多边形与掩码画笔适合语义分割、实例分割这类要抠到像素的任务。多边形沿目标轮廓逐点点出闭合后形成精确区域掩码画笔则像刷墙一样涂抹出区域边刷边看掩码实时生成。分割比画框费时间得多但换来的是更贴合不规则边缘的标注结果适合对精度要求高的场景。视频跟踪画一帧让目标自己动视频任务里不用每帧都画。你在第 0 帧给目标框一个矩形打开跟踪功能CVAT 会自动把目标跟到后面的帧它跟丢或偏了你只需在出错帧上手动修一下。另外还有插值interpolation玩法你只画起始帧和结束帧中间帧的位置由工具自动补齐标注一段连续运动的目标非常省劲。3D 点云标注三视图里框立方体自动驾驶团队的激光雷达数据走这条路。打开点云任务后界面给出 Top俯视、Side侧视、Front前视三个视角你在三个视图里协同调整把一个立方体框cuboid套在车辆或行人上标注结果自带三维尺寸信息。关键点与骨架姿态估计、面部特征这类任务用点Points形态逐点点出关节位置骨架模型则按结构连点成线。它和前面的框、分割工具可以混用比如一个人身上既有矩形框又有关键点。工具选好了但纯手工标注依然是体力活下面就把重复劳动交给 AI。 把重复劳动交给 AI自动预标注流程CVAT 支持接入预训练模型做自动标注预置模型覆盖检测、分割、姿态估计和跟踪仓库里的 serverless/ 目录就是这些模型的定义位置YOLO、Faster R-CNN、SAM 系列等。流程串起来是这样的你上传好数据并保存任务后打开任务里的 Automatic annotation自动标注入口在模型下拉框里选一个比如 YOLO v7然后把模型的类别映射到你自己的标签上需要时还能框定一个感兴趣区域Region of interest让模型只跑这一块画面。点 Annotate 后稍等片刻整批图像上就会铺满 AI 画好的初始框。接下来是你的活逐条检查 AI 的结果删掉错的、补上漏的、把框调准最后保存导出。整个过程的分工就是AI 打底、人来把关——机器负责把八成的框先画出来你只负责最后两成的判断速度比纯手动快一个量级。导出格式与团队协作管理标注完成后导出走任务详情页的导出入口格式列表有二十多种主流的都支持COCO、YOLO、Pascal VOC、KITTI 这些训练框架认的格式都能直接选选完下载就能进训练管线。真正值钱的是团队协作这一层。CVAT 用组织organization管理成员你给每个同事分配不同角色管理员管全局标注员只能干活审核员负责复核任务指派到具体人头上。标得对不对、标了多少打开 Analytics分析页面就能看到按项目统计每个标签的标注数量用户活动、作业耗时、事件流水都有现成面板用 Grafana 呈现。改错了也别慌。标注窗口自带历史记录每一次保存都留痕你可以回看任意一个历史版本并恢复到那个状态相当于标注数据的撤销时间线跨标注员的对比复核consensus也在这套体系里。导出、权限、回溯三件事齐了一个团队可以长期在一个 CVAT 实例上跑。踩坑速查三个高频问题启动后打不开页面怎么办先运行docker compose ps确认所有容器都是运行状态再对报错的容器看日志docker compose logs 容器名。端口冲突的话在启动前设置环境变量 CVAT_HOST 换用别的入口即可。自动标注选不到模型自动标注依赖 serverless 组件默认部署里没有开启。你需要叠加 serverless 的 compose 文件重新拉起服务再用 nuctl 把需要的模型函数部署进去README 里的 ML and AI Models 一节列了完整模型清单。标注界面操作卡顿CVAT 主要在 Chromium 系浏览器Chrome、Edge上测试过Safari 明确不支持Firefox 能用但可能有坑。换到 Chrome 或 Edge 基本就流畅了。CVAT 把免费、自建、AI 辅助这三件事放在了一个开源图像标注工具里个人练手和团队生产都够用。现在装好它把你手头的第一批图丢进去跑完第一次标注吧。【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
知识建站
内容驱动
阅读友好版式
SEO 精细化
线索转化