CVAT本地部署教程Docker一键启动到首次标注的完整路径【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标训练数据逐张手点很慢人一多格式和版本问题更多。CVAT 是开源的计算机视觉标注平台覆盖图像、视频、点云标注、AI 辅助标注与团队协作。本文按 CVAT 本地部署的思路带你过一遍服务跑起来、账户建好、任务开起来。CVAT 是什么适合谁用动手前先说清楚要上线的是什么一套跑在自己机器上的标注环境数据不出内网。典型场景小团队要给检测模型攒训练样本或者研究者想在统一平台里管理多人标注任务。除了手动标注它还能接入自研深度学习模型做自动标注标注方式包括框、多边形、掩码、关键点等。项目核心是 MIT 许可的代码仓库后端在 cvat/apps/前端界面在 cvat-ui/。三步把服务跑起来环境检查、拉代码、起服务合并成三步每步都有明确的验证点看到对应输出即算通过。这也是本地部署的快速上手主路径走完就能建任务开始标注。第一步确认环境。需要 Docker Engine 和 Docker ComposeUbuntu、CentOS 均可机器建议至少 8GB 内存、20GB 空闲磁盘docker --version docker-compose --version看到两行版本号即成功。若 Docker 未安装先装好并确认当前用户能执行 docker 命令。第二步获取源码。克隆仓库并进入目录git clone https://gitcode.com/GitHub_Trending/cvat/cvat cd cvat目录里能看到docker-compose.yml、manage.py即拉取完成。整套服务拓扑都写在 docker-compose.yml 里Postgres 数据库、Redis内存 磁盘缓存、后端、前端、OPA 授权外加 ClickHouse/Grafana 分析链路。如果要在本机之外访问启动时把CVAT_HOST环境变量设为你的服务器 IP 或域名默认值是 localhost。第三步启动全部服务docker-compose up -d首次启动会拉取镜像并初始化容器预留 2-5 分钟。可随时跟踪进度docker-compose logs -f验证方式docker-compose ps中所有容器处于 Running 状态服务即已就绪。建好账户完成第一次标注服务在跑但还不能登录。在cvat_server容器里执行两条命令先初始化数据库再创建管理员账户终端依次要用户名、邮箱和密码时直接填写docker exec -it cvat_server bash -ic python3 manage.py migrate docker exec -it cvat_server bash -ic python3 manage.py createsuperuser第二条命令提示创建成功后把http://localhost:8080敲进浏览器用刚建的管理员账户登录。接下来做第一次标注新建项目在项目下建任务选择数据来源并上传自己的图像、视频或点云文件定义标签如 person、car然后开始画。矩形、多边形、掩码都直接在画布上绘制画笔工具可以一次描出形状画布支持缩放、分组和属性查看视频任务可以先关键帧标注再用插值把结果传播到多帧。涉及模型辅助标注时在模型选择页选定模型、把模型类别映射到任务标签即可对数据批量生成标注卡住了看这里改端口要两边对上修改 docker-compose.yml 里的映射后浏览器地址栏也用新端口这是最容易漏的一步。其余高频故障按表处理现象先查什么解法8080 端口被别的程序占走是否有其他服务占用 8080改 docker-compose.yml 的端口映射浏览器改用新端口命令无权限执行当前用户的 Docker 权限把用户加入 docker 组或命令前加 sudo容器反复退出、页面打不开内存与磁盘余量保证至少 8GB 内存、20GB 空闲磁盘关掉占内存的程序怀疑服务卡死容器启动日志docker-compose downdocker-compose up -d重启再用docker-compose logs -f复查进阶可以往哪走日常用熟之后有三个方向值得往下做接入自研模型做自动标注。serverless/ 目录里有 PyTorch、TensorFlow、OpenVINO、ONNX 等多框架的现成部署脚本模型服务的调度逻辑在 cvat/apps/lambda_manager/。组团队并加质量控制。多用户角色与组织管理见 cvat/apps/organizations/多名标注者结果的共识合并在 cvat/apps/consensus/标注质量报告与比对逻辑在 cvat/apps/quality_control/。打开标注分析看板。components/analytics/ 目录包含 ClickHouse Vector Grafana 的完整配置日志采集在 components/analytics/vector/vector.toml启动后即可按任务查看标注量、耗时与标注速度3D 点云标注画布也是独立模块相关前端代码见 cvat-canvas3d/。可以开工了 ✅docker-compose up -d后确认全部容器 Running执行 createsuperuser 并在http://localhost:8080登录成功建好任务并上传一份小型测试数据定义至少一个标签画出第一个标注形状四项做完这套 CVAT 部署就可以投入实际标注了。数据留在自己的机器上用得放心。【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