CVAT 数据标注平台图像、视频与 3D 点云标注20 格式导出加 AI 辅助自动标注【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做视觉模型训练的人一旦手里有几千张图片、几小时视频要标框或标分割就会撞上同一个问题用什么工具标得快、标得统一、还能直接喂给训练框架。CVAT 是一个可以自托管的开源数据标注平台图像、视频、3D 点云标注、AI 辅助自动标注、团队协作和 20 余种格式导出都包含在内MIT 许可证数据完全留在自己的服务器上。一个具体场景给 5000 帧视频逐帧画框假设团队要训练一个交通场景检测模型素材是一段 5000 帧的路口视频。传统做法是逐帧手动画矩形框标注人员各自用不同的工具和习惯坐标从 0 开始还是从 1 开始、框是中心点加宽高还是左上角加右下角全靠口头约定。标完再交给训练同学对方用的是 YOLO要的却是 YOLO TXT 格式还得写脚本二次转换转完还要抽查坐标有没有越界。标注人越多、数据量越大这种“人肉管道”的成本越高。项目定位一个能自托管的视觉数据集生产线CVATComputer Vision Annotation Tool一句话定义用于构建高质量视觉数据集的开源数据标注平台社区版可完全跑在自己的基础设施里。核心能力手动标注矩形框、多边形、掩码、关键点、3D 长方体、标签等标注类型覆盖图像、视频和点云效果是一套工具通吃三类数据AI 辅助自动标注通过 serverless 组件接入检测、分割、姿态、跟踪模型先由模型出底稿人工只做修正团队协作项目-任务-作业job三层拆分支持角色分配、评审流程和 consensus 多人标注比对20 格式导出COCO、YOLO、Pascal VOC、KITTI 等格式直接下载即用省去二次转换开发者接口REST API、Python SDKcvat-sdk/和命令行工具cvat-cli/标注流程可以脚本化它适合数据不能出内网、需要多人协作、又要把标注接进训练流水线的团队不适合只想在浏览器里体验 10 分钟、不想碰任何部署的人——这类情况可以直接用官方在线版试水。Docker 三步部署从 clone 到登录前置条件只需 Docker Engine、Docker Compose 和 Git 三个组件。git clone https://gitcode.com/GitHub_Trending/cvat/cvat cd cvat拉取代码并进入项目目录。docker compose up -d启动默认服务栈包含 PostgreSQL、Redis、后端、前端和 ClickHouse 等容器首次启动会拉取镜像耐心等待。docker exec -it cvat_server bash -ic python3 ~/manage.py createsuperuser创建一个管理员账号社区版没有内置默认管理员这一步必须手动执行。export CVAT_HOSTyour-ip-or-domain可选在up之前设置访问的 IP 或域名默认直接访问http://localhost:8080。登录页面创建项目和任务、上传数据、定义标签就能开始标注。核心功能精讲自动标注让模型先画底稿人只做修正它解决的问题是纯手工标注慢。仓库内置了 9 个可直接部署的模型函数serverless/目录下覆盖检测、分割、姿态估计和跟踪例如 SAM、RetinaNet R101、YOLOv7、HRNet32 姿态、TransT 跟踪。操作流程分两步docker compose -f docker-compose.yml \ -f components/serverless/docker-compose.serverless.yml up -d追加启动 serverless 组件Nuclio 函数运行时基础部署是不含它的。cd serverless/pytorch/facebookresearch/detectron2/retinanet_r101/nuclio/ ./deploy_gpu.sh用目录内的脚本依赖nuctl部署指定模型函数部署完成后模型就会出现在标注界面的模型列表中。在标注界面选中模型后它对画布区域ROI生成预测框你只做调整而不是从零画起。适合有 GPU 机器、数据量大到人工标不动的场景模型函数本身是 MIT 代码但第三方模型资产可能有独立许可证商用前先看对应目录的说明。格式导出一次导出训练框架直接读它解决的问题是标注结果和训练框架之间的格式鸿沟——标注格式之于训练框架就像文件编码格式之于文本编辑器编码不对内容全乱。格式实现集中在 cvat/apps/dataset_manager/formats/registry.py里注册了 COCOJSON、YOLO 和 Ultralytics YOLOTXT、Pascal VOCXML、KITTITXT、MOT、maskRLE、点云等 26 个格式模块。操作上在任务页面发起导出、选目标格式、下载压缩包即可同一份标注可以按不同框架分别导出。适合标注完成后对接多种训练流水线、或需要把历史标注迁移到 CVAT 的场景导入走同样的格式通道。团队协作与质量监控作业拆分加 Grafana 看板它解决的问题是多人标注时进度不透明、质量没法比对。CVAT 把工作拆成三层Project 管标签体系Task 管一段数据Job 管标注员实际领取的片段分配和领取都走界面操作多人可以并行标同一个 Task 的不同 Job。质量侧提供 consensus多份独立标注的比对合并、问题标记和事件审计统计侧通过 ClickHouse 落事件再用仓库自带的 Grafana 仪表盘components/analytics/grafana/看标注进度、作业耗时和用户活动。适合 3 人以上、需要审核流程和进度报表的标注项目单人单机场景用不到这套机制。选型与配置建议你的情况建议个人学习、几百张图先用官方在线版或单机docker compose up -d无需任何额外配置数据不能出内网自托管社区版MIT 许可部署脚本见backend_entrypoint.sh已有 K8s 集群用 helm-chart/ 部署cvat.values.yaml是完整参数示例需要自动标注追加 serverless 组件并nuctl部署模型函数GPU 机器优先选分割和跟踪类模型长视频/大量静态帧卡顿开启静态缓存环境变量CVAT_ALLOW_STATIC_CACHEyes再启动减少重复解码开销训练侧用 Ultralytics直接导出 YOLO TXT/YAML 格式通用场景选 COCO JSON团队规模上单人到小团队用单机 Compose 足够人数上来后再考虑 K8s 和外部 PostgreSQL仓库提供docker-compose.external_db.yml参考外部数据库接法。踩坑记录部署完找不到登录账号→ 社区版不设默认管理员README 的标准流程是先执行createsuperuser→ 跑上面那条docker exec命令创建超管再登录。标注界面模型列表是空的→ serverless 是独立的可选组件且启动后还要用nuctl部署具体函数两者缺一模型就不会出现 → 确认 compose 追加了components/serverless/docker-compose.serverless.yml且目标模型函数已执行部署脚本。Safari 里功能缺失或渲染异常→ README 明确说明主要在 Chromium 系浏览器上测试Safari/WebKit 不受支持 → 换 Chrome 或 Edge 使用Firefox 可能有小问题。商用项目里不确定模型能不能用→/serverless目录代码是 MIT但其中的第三方模型资产可能附带独立许可证含非商用限制 → 商用部署前逐个查看所部署模型目录的许可文件。端口 8080 被占用或想换域名→ 直接改 Nginx 配置容易踩坑 → 启动前export CVAT_HOST你的IP或域名让整套服务按这个地址生成配置。结尾CVAT 的价值在于把“上传数据—标注—质检—按框架格式导出—接训练”这条链路收敛到一个自托管平台上社区版功能完整且免费。下一步可以深入 cvat-sdk/ 用 Python 脚本化任务创建与导出或按serverless/下的示例部署自己的模型函数把标注流程进一步自动化。【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
`)
