尧图网站建设 
X-AnyLabeling15分钟跑完2000张图的目标检测标注【免费下载链接】X-AnyLabelingX-AnyLabeling: A lightweight, efficient, and unified cross-platform desktop application for annotating text, image, video, and multimodal data, combining versatile built-in tools with state-of-the-art AI models and flexible multi-format export.项目地址: https://gitcode.com/gh_mirrors/xa/X-AnyLabeling手头有2000张街景图要交检测框期限两天一张图50个框纯手点就是实打实的两天。X-AnyLabeling 是一款桌面端 AI 辅助标注工具内置 YOLO、SAM、PP-OCR 等 50 多个预训练模型先自动跑出初稿框和文字结果你只负责检查修正。覆盖目标检测、分割、姿态、OCR 等常见任务支持 COCO、YOLO、VOC、DOTA、MOT 等格式导出。30秒跑起来只需 Python 3.11–3.13Windows、Linux、macOS 均可。git clone https://gitcode.com/gh_mirrors/xa/X-AnyLabeling cd X-AnyLabeling拉源码。不想走源码路线的话也可以直接下预编译安装包conda create -n x-anylabeling python3.12 -y conda activate x-anylabeling uv pip install -e .[cpu]建独立环境并装好工具与全部依赖有 NVIDIA 卡把 [cpu] 换成 [gpu]xanylabeling一条命令启动图形界面也支持命令行用法xanylabeling --filename /path/to/目录可直接打开整个目录标签格式转换不启动界面也能批量执行。从图片到标注框检测自动标注工作流以目标检测为例走一遍最常用的路线。其余任务分割、姿态、OCR、跟踪都是同一套选模型→运行→检查→导出的路径仓库 examples/ 下每个任务都配了独立样例。导入图片文件 导入图片文件目录CtrlU选中目录图片列表一次性载入左侧面板即工作队列。选模型窗口顶部模型选择器里挑一个检测模型首次选择会自动下载对应 ONNX 权重并缓存。50 多个模型的完整清单和各自的推理参数配置在 auto_labeling 配置目录每个模型的推理实现集中在 auto_labeling 服务目录。一键出框按i运行模型框、类别和置信度一次画到画布上。检查修正CtrlJ 切到编辑模式点掉误检、拖拽调框、CtrlE 改类别。嫌逐张删框慢可以先按置信度过滤比如只保留大于 0.5 的剩下的再人工过。批量跑按CtrlB唤醒批量标注自动遍历整份图片列表。之后用 CtrlShiftD 逐张跳未检查的图做抽查CtrlAltK标记已检查文件列表的圆点会实时反映检查状态。保存导出标注默认自动存为图片目录下的.json导出菜单里选 COCO、YOLO、VOC、DOTA 等目标格式一次转完整个数据集命令行同样支持。数据统计面板CtrlG 打开 Overview会汇总类别与形状类型的分布自动标注完扫一眼哪类明显漏检一目了然。遇到问题时让它更快时情况处理办法启动报ImportError: No module named expatconda 带高了系统库conda install expat2.5.0 -y后重启Linux/Wayland 下画布鼠标移动卡顿启动时加参数--qt-platform xcb启动报str object does not support item assignment用户目录下的.xanylabelingrc配置损坏删除后重启模型权重下载慢Settings里把模型下载源换成国内镜像想让 CPU 上推理更快换小一号的模型如 yolo11n、rfdetr_nano或装[gpu]依赖切到显卡想 2000 张图无人值守CtrlB批量标注跑完后用命令行xanylabeling convert把 JSON 整批转成 YOLO/COCO不用进界面逐张点推理引擎ONNX Runtime、TensorRT、OpenCV DNN的选择与构建逻辑集中在 engines 目录有 TensorRT 卡的机器可以换引擎再提速。下一步先拿 10 张图跑一遍 YOLO 自动标注和你的手工框对比误检与漏检数量能接受再放大到 2000 张。【免费下载链接】X-AnyLabelingX-AnyLabeling: A lightweight, efficient, and unified cross-platform desktop application for annotating text, image, video, and multimodal data, combining versatile built-in tools with state-of-the-art AI models and flexible multi-format export.项目地址: https://gitcode.com/gh_mirrors/xa/X-AnyLabeling创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 X-AnyLabeling：15分钟跑完2000张图的目标检测标注
X-AnyLabeling15分钟跑完2000张图的目标检测标注【免费下载链接】X-AnyLabelingX-AnyLabeling: A lightweight, efficient, and unified cross-platform desktop application for annotating text, image, video, and multimodal data, combining versatile built-in tools with state-of-the-art AI models and flexible multi-format export.项目地址: https://gitcode.com/gh_mirrors/xa/X-AnyLabeling手头有2000张街景图要交检测框期限两天一张图50个框纯手点就是实打实的两天。X-AnyLabeling 是一款桌面端 AI 辅助标注工具内置 YOLO、SAM、PP-OCR 等 50 多个预训练模型先自动跑出初稿框和文字结果你只负责检查修正。覆盖目标检测、分割、姿态、OCR 等常见任务支持 COCO、YOLO、VOC、DOTA、MOT 等格式导出。30秒跑起来只需 Python 3.11–3.13Windows、Linux、macOS 均可。git clone https://gitcode.com/gh_mirrors/xa/X-AnyLabeling cd X-AnyLabeling拉源码。不想走源码路线的话也可以直接下预编译安装包conda create -n x-anylabeling python3.12 -y conda activate x-anylabeling uv pip install -e .[cpu]建独立环境并装好工具与全部依赖有 NVIDIA 卡把 [cpu] 换成 [gpu]xanylabeling一条命令启动图形界面也支持命令行用法xanylabeling --filename /path/to/目录可直接打开整个目录标签格式转换不启动界面也能批量执行。从图片到标注框检测自动标注工作流以目标检测为例走一遍最常用的路线。其余任务分割、姿态、OCR、跟踪都是同一套选模型→运行→检查→导出的路径仓库 examples/ 下每个任务都配了独立样例。导入图片文件 导入图片文件目录CtrlU选中目录图片列表一次性载入左侧面板即工作队列。选模型窗口顶部模型选择器里挑一个检测模型首次选择会自动下载对应 ONNX 权重并缓存。50 多个模型的完整清单和各自的推理参数配置在 auto_labeling 配置目录每个模型的推理实现集中在 auto_labeling 服务目录。一键出框按i运行模型框、类别和置信度一次画到画布上。检查修正CtrlJ 切到编辑模式点掉误检、拖拽调框、CtrlE 改类别。嫌逐张删框慢可以先按置信度过滤比如只保留大于 0.5 的剩下的再人工过。批量跑按CtrlB唤醒批量标注自动遍历整份图片列表。之后用 CtrlShiftD 逐张跳未检查的图做抽查CtrlAltK标记已检查文件列表的圆点会实时反映检查状态。保存导出标注默认自动存为图片目录下的.json导出菜单里选 COCO、YOLO、VOC、DOTA 等目标格式一次转完整个数据集命令行同样支持。数据统计面板CtrlG 打开 Overview会汇总类别与形状类型的分布自动标注完扫一眼哪类明显漏检一目了然。遇到问题时让它更快时情况处理办法启动报ImportError: No module named expatconda 带高了系统库conda install expat2.5.0 -y后重启Linux/Wayland 下画布鼠标移动卡顿启动时加参数--qt-platform xcb启动报str object does not support item assignment用户目录下的.xanylabelingrc配置损坏删除后重启模型权重下载慢Settings里把模型下载源换成国内镜像想让 CPU 上推理更快换小一号的模型如 yolo11n、rfdetr_nano或装[gpu]依赖切到显卡想 2000 张图无人值守CtrlB批量标注跑完后用命令行xanylabeling convert把 JSON 整批转成 YOLO/COCO不用进界面逐张点推理引擎ONNX Runtime、TensorRT、OpenCV DNN的选择与构建逻辑集中在 engines 目录有 TensorRT 卡的机器可以换引擎再提速。下一步先拿 10 张图跑一遍 YOLO 自动标注和你的手工框对比误检与漏检数量能接受再放大到 2000 张。【免费下载链接】X-AnyLabelingX-AnyLabeling: A lightweight, efficient, and unified cross-platform desktop application for annotating text, image, video, and multimodal data, combining versatile built-in tools with state-of-the-art AI models and flexible multi-format export.项目地址: https://gitcode.com/gh_mirrors/xa/X-AnyLabeling创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考