简介LabelImg可运行版本下载专供计算机视觉开发者、算法工程师与深度学习入门者使用的经典图像标注工具历史打包。该版本源自GitHub开源项目基于Python与Qt图形界面开发依赖PyQt5与numpy等库可跨Windows、macOS、Linux运行支持矩形框与多边形标注能输出PASCAL VOC XML及YOLO TXT格式适合快速搭建目标检测数据预处理环境也应对新版兼容性问题。压缩包共75个文件以PNG图标、Python源码、pyc编译模块、SVG矢量图为主兼有Shell构建脚本、标签类别配置、README说明、演示图片与测试位图整体仅977KB轻量免安装解压配置依赖即可启动源码与构建工具可直接复用。已有4727人学习下载目录结构完整内置“脸书.jpg”等验证素材和跨平台构建工具可离线运行、二次开发或复现完整标注流程对制作训练集、调试检测模型是高效实用的辅助资料。1. 拿 LabelImg 当入门标注工具这版能跑起来比高版本省心做目标检测项目绕不开数据标注而 LabelImg 几乎是入门首选因为它轻量、界面直观、不需要懂复杂的平台操作。但很多人在下载这一步就卡住了网上很多版本有的缺依赖有的需要重新编译有的打开就闪退。我拆过几个所谓的“可运行版本”后发现真正能用的其实就那一两个配置组合与其在环境上浪费时间不如直接选对版本一次搞定。这篇文章拿到的是一个已经验证能跑的 LabelImg 可运行版本会带着你从环境准备到实际标注完整走一遍把参数设置和最常见的坑都提前说清楚。适合刚接触图像标注、打算做目标检测数据集的开发者也适合给团队快速搭一套本地标注工具的人。2. 环境准备与版本选择可运行版本为什么能“开箱即用”2.1 Python 虚拟环境隔离依赖远离系统混乱LabelImg 本质是一个用 PyQt 写的 Python 程序所以它的运行完全依赖 Python 环境里那几个关键库。最常见翻车点是系统 Python 里装了不同版本的 PyQt 或 lxml导致程序加载界面时冲突。我一般会强制为标注工具单独建一个虚拟环境不碰系统自带的 Python这样即使日后系统环境被其他项目搞乱了标注工具依然能正常打开。创建虚拟环境的命令如下# 这里用 venv 而不是 conda原因是轻量且不引入额外包管理器 cd ~/workspace python -m venv labelimg_env source labelimg_env/bin/activate pip install --upgrade pip这段命令的逻辑是先进入工作目录然后用 Python 自带的 venv 模块创建一个叫 labelimg_env 的独立环境。激活后所有 pip 安装的包都会被隔离到这个目录里和系统 Python 完全分开。参数上需要注意两点第一创建虚拟环境时建议指定 python3 而不是默认的 python避免某些机器上 python 指向的是 Python 2第二如果你的网络环境访问默认 PyPI 源比较慢可以临时加-i参数换成国内镜像源但不建议永久换源因为有些包在镜像源上更新有延迟。2.2 依赖安装顺序先装底层库再装应用虚拟环境准备好后就要安装 LabelImg 运行所依赖的包了。这个可运行版本的依赖集中在 PyQt5 和 lxml 这两个关键库上前者负责图形界面渲染后者负责 XML 格式的读写。很多人喜欢一股脑用 requirements.txt 安装但里面的版本号如果约束得太死反而容易和老环境冲突。我更喜欢手动指定版本安装装完就知道具体版本号排查问题时心里有底。pip install PyQt55.15.7 pip install lxml4.9.2 pip install labelImg这里我特意指定了 PyQt5 的版本号因为 5.15 分支对 Python 3.8 到 3.10 的兼容性最好而 6.x 版本在部分旧机器上会出现界面字体渲染异常的问题。lxml 则是处理 Pascal VOC 格式 XML 文件的核心版本要求不严但 4.9.2 这个版本在 py3.9 环境下编包最稳定。最后直接 pip install labelImg 即可它会自动拉取最新的源码包并安装。如果你发现自动安装的是 1.8.6 版本那属于正常现象因为这个项目从 2022 年后就没有再发布过新版本1.8.6 就是稳定的最终版。安装完成后可以通过python -c from labelImg import labelImg; print(ok)验证导入是否成功。看到输出 ok 就说明环境没有问题。2.3 启动与界面布局先确认工具能跑再开始标注环境装好只是第一步能正常启动工具才算真正落地。在虚拟环境激活的状态下终端输入labelimg命令就能启动图形界面。如果遇到 Qt 平台插件相关的报错通常是因为系统缺少 libxcb 相关的库Ubuntu 下安装 libxcb-xinerama0 即可解决。正常启动后界面左侧是图像显示区右侧是标注信息面板顶部是菜单栏和快捷键按钮区。目录结构上左侧文件浏览区会显示当前图片目录下的所有图片文件点击任意一张就自动加载到显示区。右侧的标注框内会列出当前图片上所有的 bounding box可以切换选中、删除或调整。底部是标签列表区域显示当前数据集里用到的所有类别名。实用的操作是先用菜单栏的“打开目录”指定图片文件夹再通过“更改保存目录”指定 XML 文件的输出位置这两个目录在开始标注前就要确认好否则默认会把 XML 和图片混在一起。3. 标注流程与关键参数一张图从打开到导出 XML 的完整操作3.1 标注前的参数设置默认保存格式和自动保存的取舍打开 LabelImg 后建议先检查两个关键设置。第一个是保存格式菜单栏的“PascalVOC”和“YOLO”切换按钮决定了导出的是 XML 文件还是 txt 文件。默认情况下是 PascalVOC 格式也就是生成和图片同名的 XML 文件里面记录的是每个目标的类别名称和 bounding box 的 xmin、ymin、xmax、ymax 坐标值。如果你要训练 YOLO 系列模型需要点击切换到 YOLO 格式这时字符串坐标会变成归一化的 center_x、center_y、width、height 数值。第二个设置是“自动保存”开关在菜单“编辑”里可以勾选。勾选后每标注完一张图并切换下一张时程序会自动保存当前图的标注结果不需要手动按保存快捷键。这个功能在标注大量图片时非常省力但第一次使用的人要注意如果勾选了自动保存误标注的框没有机会反悔切图后想找回只能重新打开图片再删除。# 启动命令中也可以通过命令行参数预设部分行为 # 例如启动时直接指定图片目录和输出目录 labelimg images/ annotations/命令行启动时直接带上两个路径参数可以跳过界面里的目录选择步骤。第一个路径是图片目录第二个路径是标注结果的输出目录。我一般会在批量标注时这样启动省去手动选目录的繁琐操作不过在路径中含有空格时必须用引号包住整个路径否则程序会把路径拆成多个参数导致启动失败。3.2 创建标签类别让数据集保持一致性的基础标注之前必须先把类别名固定下来。LabelImg 支持在标注过程中直接输入新标签名但强烈建议先创建一个预定义的类别列表。在界面上点击标签列表区域右侧的铅笔图标会弹出编辑框在这里把数据集所有类别逐一输入并保存。这样做的好处有两个第一个是避免不同标注人员对同一个类别的命名不统一比如有人写“cat”有人写“CAT”第二个是可以减少打字时间标注时直接下拉选择已经定义好的类别即可。预定义类别文件是一个 txt 格式每行一个类别名文件编码必须是 UTF-8否则读取时中文类别名会乱码。如果遇到乱码在保存类别文件时用nvim或 VSCode 强制另存为 UTF-8 编码即可解决。另外类别文件要和图片目录分开存放不要混在同一个文件夹里方便后续做数据划分。3.3 画框与属性调整坐标是怎么记录下来的标注的核心操作就是在图像上画矩形框。按住鼠标左键拖动从目标的左上角拖到右下角松开时弹出标签选择框。选完标签后框就固定下来了此时右侧的属性面板会显示这个框的四个坐标值和所属类别。需要注意画框的顺序LabelImg 没有方向限制你可以从右下角往左上角拖也能成功但记录的坐标始终会标准化为 xmin左边界、ymin上边界、xmax右边界、ymax下边界。# XML 中坐标记录的形式如下这是 PascalVOC 格式的典型结构 # bndbox # xmin125/xmin # ymin63/ymin # xmax328/xmax # ymax291/ymax # /bndbox坐标数值的单位是像素对应图片上的实际像素点。所以在标注前要确认图片没有经过缩放LabelImg 默认显示时可能会对过大图片做缩放适应窗口但这不会影响写入 XML 的原始坐标值它始终以图片原始分辨率计算的。如果你发现标注的框整体偏移大概率是图片显示区被手动缩放后视觉误差造成的关掉显示区的缩放功能恢复到适应窗口模式即可。3.4 多类别切换与快捷键批量标注效率翻倍的操作习惯当一张图片里有多个不同类别的目标时每画一个框都需要重新选类别。这里有一个效率技巧画框前先按w键进入画框模式然后画完后立即按d切换下一张图。这个组合动作能把单张标注时间从平均 40 秒压缩到 20 秒以内特别是对行人、车辆这类单一类别的检测任务提速明显。快捷键里还有一个不太被人注意的i键作用是显示当前图片的完整路径在处理重名图片时特别有用。另外Ctrl 鼠标滚轮可以缩放图片显示区域放大后边缘的小目标看得更清楚画框精度提升一个档次。在放大状态下标注完当前区域后按Ctrl 0快速回到适应窗口模式这比手动拖动滚动条恢复视图快得多。4. 标注避坑手册三个高频翻车场景的排查与解决4.1 标注保存后文件找不到目录指定问题现象保存提示成功但在预期的输出文件夹里怎么也找不到 XML 文件。原因LabelImg 的保存逻辑是以“更改保存目录”中指定的目录为准而不是以图片所在目录为准。如果启动时没有手动指定保存目录程序默认会把 XML 保存到和图片相同的目录但如果之前曾经选择过其他目录程序会记住那个历史路径导致后续保存到旧路径去了。解决点击菜单栏的“更改保存目录”重新选择当前项目的输出目录。建议每次开始新项目时第一步就执行这个操作不要等到标注了几十张图后再去改路径。另外可以在终端启动时带第二个路径参数直接指定输出目录绕开界面操作。4.2 打开图片时闪退路径含中文或图片异常现象点击某张图片时程序直接闪退或者弹窗提示错误后无响应。原因这个坑在 Windows 上特别常见。LabelImg 对中文路径的支持并不完善如果图片所在目录或文件名包含中文字符PyQt 的文件读取模块在加载图片时会出现编码问题导致崩溃。另一种情况是图片本身损坏或扩展名是 jpg 但实际数据是 png 格式的这种格式伪装会让图像解码库异常。解决统一规范数据集的路径和文件名全部使用英文小写加下划线组合例如car_20240101_001.jpg。遇到特定图片打开闪退的情况单独用图片查看器确认文件没有损坏必要时用 OpenCV 或其他工具把所有图片重新转码一遍消除伪装格式问题。4.3 标注框偏移或位置错乱缓存与图片列表不同步现象切换图片后上一张图上的标注框仍然显示在当前图片上或者框的坐标看起来不对应图片内容。原因这是标签列表和图片缓存不同步造成的。当图片切换速度过快时界面刷新没有跟上旧图的标注信息残留在视图缓存里。另一个常见原因是误操作触发了图片列表的排序变化导致图片顺序和文件名不再一一对应。解决遇到这种情况不要急着继续标注先重启一次 LabelImg 重新加载目录确保图片顺序稳定。如果需要调整某个框的位置直接鼠标拖拽框边缘即可拖拽的过程中坐标会实时更新到右侧属性面板。在批量标注时每切换 20 张图左右就 CtrlS 手动保存一次避免程序异常退出导致标注数据丢失。5. 最后一个技巧用快捷键组合提升标注效率并验证数据集完整性标注这件事技术含量不在画框本身而在整个流程的节奏把控。我最后分享一套自己习惯的快捷键组合操作搭配一个验证脚本能让整个标注环节的产出质量上一个台阶。核心的快捷键组合是w画框、d下一张、a上一张、CtrlS保存。我个人的操作流是左手放在键盘上右手握鼠标画完一个框后立刻按d切换到下一张整个过程不用看键盘。这个节奏一旦形成单张标注时间基本稳定在 15 到 25 秒之间一个多小时能完成两百张左右的图。需要注意的是d键切换图片时如果勾选了自动保存当前图的结果会被写入文件所以要在确认标注无误后再切图。标注完成后批量验证数据集是一个很多人都忽略的步骤。这里我用一段简单的 Python 脚本检查 XML 文件和图片文件是否一一对应以及坐标是否超出图片边界import os import xml.etree.ElementTree as ET from PIL import Image # 修改这两个路径为实际目录 img_dir images/ xml_dir annotations/ for xml_name in os.listdir(xml_dir): if not xml_name.endswith(.xml): continue # 读取 XML 并解析 bndbox 坐标 tree ET.parse(os.path.join(xml_dir, xml_name)) root tree.getroot() img_file os.path.join(img_dir, root.find(filename).text) if not os.path.exists(img_file): print(f图片缺失: {xml_name}) continue with Image.open(img_file) as img: w, h img.size for obj in root.findall(object): bndbox obj.find(bndbox) xmin int(bndbox.find(xmin).text) ymin int(bndbox.find(ymin).text) xmax int(bndbox.find(xmax).text) ymax int(bndbox.find(ymax).text) if xmin 0 or ymin 0 or xmax w or ymax h: print(f坐标越界: {xml_name} - {obj.find(name).text})这段脚本会遍历标注目录下的所有 XML 文件检查对应的图片是否存在以及每个标注框的坐标是否在图片尺寸范围内。如果输出为空说明数据集文件完整且坐标合法可以直接进入训练阶段。打印输出的信息会给出具体的问题文件定位非常方便。从那以后我每次标注阶段结束都会强制走一遍这个验证脚本哪怕只是五百张图的小数据集也不跳过。毕竟模型训练动辄就是十几个小时如果在训练到一半才发现标注数据有问题返工成本太高。这个习惯帮我避开了至少两次因为坐标越界导致的训练崩溃希望帮到你。本文还有配套的精品资源点击获取