尧图网站建设 
简介在图像标注工作中人工框选目标往往耗时严重而自动标注模型能大幅提升效率。这份面向X-AnyLabeling工具的YOLOX-S-ONNX模型包将高效目标检测框架与跨平台模型格式相结合专为需要快速构建检测数据集的工程师及标注团队设计同时兼顾轻量性与部署便利性。压缩包内共有2个文件yolox_s.onnx是可移植的模型权重yolox_s.yaml则保存网络结构与参数配置二者协同即可在X-AnyLabeling中直接启动自动标注流程。资源包整体压缩后约31.83MB轻量紧凑下载后即可部署使用。目前已有2473人学习下载适合用于批量生成初始标注框再辅以人工审核修正在保证标注质量的同时显著缩短大型图像数据集的处理周期是目标检测项目前期数据准备的高效工具尤其在需要快速构建训练数据集时优势明显。 标注数据集这件事做一次就知道什么叫重复劳动的尽头。我第一次拿到3000张街景图需要在每张图上把行人、车辆、路灯一个个框出来框到第几百张就明显感觉状态不对了。后来同事推荐了X-AnyLabeling里面预置了一批现成的模型我用的就是yolox-s-onnx这个自动标注模型。简单说它用训练好的目标检测模型先在图上预测一遍把预测结果直接变成标注框我只需要负责检查和修正。这篇文章把我从下载、安装、加载模型到跑完整条自动标注流程里的细节和坑全部记录下来真心建议每个被标注折磨过的人都试一遍。1. 自动标注这笔账算完就不再想手动框了1.1 手工标注的时间成本算到我直接放弃先算一笔最实在的账。假设我手里有3000张街景图每张图上平均有20到40个目标。一个熟练标注员用LabelImg这类工具把一张图里的密集目标全部框完加上选类别、拖动调整、保存怎么也要2分钟左右。3000张图就是6000分钟折算成100个小时按一天8小时有效标注时间算需要12.5个工作日。如果是两个人同时干也需要一周多才能完成而且这还没算返工和误标。当时我面对的情况是一周内要出第一批可训练的数据集纯手工完全不现实。自动标注的逻辑是把这一步换掉机器先把图跑一遍预测出一批框我再快速过一遍删掉错的、补上漏的、修正类别。实测下来一张中等复杂度的街景图预标注加手动修正大概15到30秒能处理完。3000张图压到12到20个小时效率提升非常明显。这个差距不是模型精度有多夸张而是把“从零画框”变成了“在现成结果上修改”操作量完全不在一个级别。1.2 本地标注工具那么多为什么是X-AnyLabeling市面上标注工具不少但大多分成两类。一类是LabelImg、LabelMe这种纯手工标注它们更像个画框编辑器没有AI推理能力顶多帮你记住上次选的类别。另一类是云端的标注平台自动标注能力有但数据要传上去对很多团队来说数据隐私和成本都是问题。X-AnyLabeling属于第三类本地运行的开源标注工具。它是AnyLabeling的增强分支项目地址在github.com/CVHub520/X-AnyLabeling直接把一批推理模型内置到标注界面里。我试用的时候看到模型列表里有YOLO系列检测模型、SAM分割系列、OCR模型、姿态估计模型还有不少组合模型覆盖了检测、分割、识别几大主流标注需求。它对我的核心价值是“一站式”打开图片、加载模型、点一下按钮预测框直接出现在图像上保存的格式还是我熟悉的LabelMe JSON。不用像以前那样把图导出去跑一段Python脚本再导回标注工具省掉了中间所有文件转换的环节。2. yolox-s-onnx的选型逻辑为什么这个模型刚好够用2.1 YOLOX-S的体量、精度和速度YOLOX是2021年的anchor-free目标检测框架S版本是它的small档位。参数规模大约9MONNX权重文件几十MB级别即使没有独立显卡CPU也能跑得动。对于自动标注来说我们并不需要60帧实时推理只要一张图能在几秒内出结果就足够因为人工修正的速度本来就不快。在COCO这类通用检测任务上YOLOX-S的mAP大概在40左右。这个数字放在今天不算顶尖但要注意这里是用来“辅助标注”的不是最终上线模型。它能做到的是把明显物体先框出来比如常见的人、车、动物、日常用品框的位置和类别基本可信。剩下的边缘情况交给人工去修完全来得及。2.2 ONNX格式解决的兼容性麻烦ONNX全称是Open Neural Network Exchange一个开放神经网络交换格式。模型在PyTorch里训练完可以导出成ONNX之后用ONNX Runtime或OpenVINO等推理引擎去加载跨平台能力很好。X-AnyLabeling内置了对ONNX Runtime的集成所以yolox-s-onnx这类模型能直接塞进工具里跑不需要再搭一套PyTorch环境。我自己的体验是ONNX文件的部署路径很短文件放对位置配置写对启动就能用。如果换成原生PyTorch模型光是环境和依赖就能折腾掉半天。2.3 这套现成模型的能力边界必须承认内置COCO 80类模型不是万能的。它训练数据来自通用场景对自然场景里的常见物体识别得不错我拿街景、园区监控、办公环境照片测检出率都还行。但到了垂直业务场景就会露馅比如工业质检里的划痕分类、农作物病虫害细分、几十种外观接近的零件COCO模型根本没学过这些自然会漏检或标成错误的类别。换句话说现成的yolox-s-onnx适合做通用数据集的初标和预标注不适合直接拿来标垂直领域数据。想让它真正服务业务数据得训练自己的模型再接入工具这个我放到文章最后详细说。3. 下载慢、路径错、加载失败模型文件部署实录3.1 安装编译版还是源码跑X-AnyLabeling在Windows下可以直接用Release页面的编译包解压就能打开这是最快的方式。我自己在Linux服务器上跑的时候用的是源码方式git clone https://github.com/CVHub520/X-AnyLabeling.git cd X-AnyLabeling pip install -r requirements.txt python anylabeling/app.py源码方式的好处是能看细节比如模型配置文件在哪个目录、依赖是什么版本。如果启动报缺少某个库常见的原因是opencv、defusedxml、pyyaml这些基础依赖没装全。先用pip list确认关键依赖都在再逐个补比盲装省事。3.2 模型文件放对位置下载慢的应对方案模型文件需要在首次使用前放到指定目录。以YOLOX-S为例项目会在models目录下找yolox_s.onnx。如果你用的模型列表里显示“模型不存在”或加载后黑屏多半是这个文件没放对或者文件名不一致。下载慢的问题我非常有发言权。GitHub上的模型文件在普通网络环境下经常下到一半就断烦得很。实践下来有几个有效办法用支持断点续传和多线程的下载工具打开官方Release链接不要用浏览器直接下载。下载前记下官方标注的文件大小下载完对比一下防止文件不完整。如果官方源下载一直卡把下载链接粘贴到GitHub文件加速镜像站里取文件通常能快很多。实在不行找一台网络条件好的电脑下载好再通过U盘或内网共享传到工作站。注意模型文件名一定不要擅自改名配置里写死了文件名改了会找不到。3.3 加载失败的排查顺序我遇到过一次模型加载后跑不出结果界面直接卡死。排查下来是onnxruntime版本和模型不匹配。解决方法是先单独验证模型文件能否正常加载import onnxruntime as rt m rt.InferenceSession(models/yolox_s.onnx, providers[CPUExecutionProvider]) print(m.get_inputs()[0].name, m.get_inputs()[0].shape)如果上面这段能打印出输入名和shape说明文件没问题问题出在工具集成配置。如果报错优先重新下载完整的模型文件。我的建议是模型相关排查顺序先查文件是否完整再查路径是否放对最后查环境和版本依赖按这个顺序走能少走弯路。4. 从单张到批量自动标注操作流水线4.1 软件界面里怎么加载并启动推理启动X-AnyLabeling后先打开图片目录。界面右侧有一个模型选择区域找到YOLOX-S这个选项点击加载工具会自动读取对应的ONNX文件和配置。加载完成后打开任意一张图片点击工具栏上的AI标注按钮稍等片刻就能看到预测框出现在图上。框上会带着类别名称和置信度。第一次跑如果觉得很慢正常因为要加载模型到内存第二次开始就快了。这时候整条流水线就启动了一张图出框我修正保存切下一张继续。操作熟练以后这个循环可以卡得非常紧凑。4.2 几个参数在自动标注里的实际意义X-AnyLabeling里跑模型时界面会提供置信度阈值、NMS阈值等参数入口。这两个参数直接影响标注结果置信度阈值只有置信度高于这个值的检测结果才会显示。默认值一般0.25或0.3。调高一点框变少但误检少调低一点框变多但需要删的噪声也变多。NMS阈值决定重叠框的抑制强度。目标贴着摆的时候这个值调低能减少重复框。我的策略是先用默认值跑两三类图看看漏检和误检的比例再决定往哪个方向调。不要一上来就追求“框又多又准”那不现实先让模型跑起来再根据实际数据微调。4.3 保存格式与批量转成训练集工具保存的默认格式是LabelMe JSON图像旁边会生成一个同名JSON文件里面记录每个目标的轮廓点、类别、图片尺寸信息。这个格式的好处是通用很多脚本都能解析。后续训练YOLO系列模型时我更习惯把JSON转成YOLO的txt格式。转换思路很简单读取JSON里的多边形顶点如何取轮廓外接矩形计算出中心点坐标、宽度和高度再除以图片宽高归一化。核心部分长这样import json with open(annotation.json, encodingutf-8) as f: data json.load(f) img_w data[imageWidth] img_h data[imageHeight] lines [] for shape in data[shapes]: label shape[label] points shape[points] xs [p[0] for p in points] ys [p[1] for p in points] xmin, xmax min(xs), max(xs) ymin, ymax min(ys), max(ys) x_center (xmin xmax) / 2 / img_w y_center (ymin ymax) / 2 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h lines.append(f{label} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f})手动标注阶段我通常先保留LabelMe JSON因为这个格式适合人工检查和回改。确认这批数据没问题了再统一转成YOLO格式去训练避免标到一半就转格式导致来回改文件。5. 实测效果、阈值调优与三个翻车细节5.1 实测不同场景下的反应我用yolox-s-onnx跑了几类数据。街景和园区场景表现最好车辆、行人这些主体目标基本一框一个准框的位置紧贴目标边缘类别也不会错。办公桌面场景也还行能检出人、椅子、屏幕这类常见目标。但遇到密集货架上的小商品或者远处的人群漏检立刻变多两个挨得很近的目标经常被并成一个框。这几个现象不是模型坏了是YOLOX-S本身能力边界遇到这种场景我会先放弃完全自动标注改用“模型预标一部分 手工补漏”的混合方案。5.2 阈值不是一次调完的调阈值最忌讳的是对着全部图片反复试。我的实测经验是目标少、场景干净时把置信度阈值拉到0.4到0.45框少而准人工基本不用删。目标密集、追求召回时阈值降到0.15到0.2模型会给出更多候选框代价是人工删框的工作量上来了。NMS阈值默认值情况下重叠目标经常保一个丢一个调低一点重叠目标的区分会好一些。我习惯在一个批次里先抽3到5张不同复杂度的图反复调参数并点AI标注直到误检的量到自己能接受的范围再整批跑。这样比一口气跑完再返工高效很多。5.3 最容易翻车的三个细节第一个坑是类别名错配。COCO模型的类别名是person、car、bus这种英文如果项目里要求的是“行人”“车辆”导出训练格式前必须做一次批量替换别在标注状态下一个个改纯浪费时间。第二个坑是没保存。自动标注跑得快人容易进入“下一张、下一张”的节奏结果一张也没保存。我后来习惯每标完一张就CtrlS遇到突然关窗口也不慌。第三个坑是大图卡顿。有些截图分辨率非常高整图送进模型推理又慢又吃内存。我的做法是先把大图缩小预览标注时恢复原图尺寸保存标注坐标。这样既能保持AI预测可用又不会把界面拖到卡死。5.4 自定义模型接入把自动标注变成自己的闭环内置的yolox-s-onnx只算入门。真正让自动标注价值最大化的是替换成自己的模型。假设你手头已经有一些业务数据训练了一个自己的YOLO检测模型可以将权重导出成ONNX然后在X-AnyLabeling的项目里参考现有模型配置写一份自己的配置type: yolox name: custom_yolox_s display_name: Custom YOLOX-S model_path: models/custom_model.onnx input_width: 640 input_height: 640 class_names: - defect_a - defect_b把配置文件放到工具识别的位置重启后模型列表里就会出现你自己的模型。这一步做完标注流程就从“通用模型预标 大量修正”升级成“业务模型预标 少量修正”垂直场景里的标注效率提升会非常明显。整个流程跑下来我的体会是自动标注不是取代人工而是把人工从画框里解放出来花更多精力去处理模型搞不定的部分。用好了它就是数据集生产线上的第一个加速器。本文还有配套的精品资源点击获取 本地自动标注实战：X-AnyLabeling与YOLOX-S的配置与应用
简介在图像标注工作中人工框选目标往往耗时严重而自动标注模型能大幅提升效率。这份面向X-AnyLabeling工具的YOLOX-S-ONNX模型包将高效目标检测框架与跨平台模型格式相结合专为需要快速构建检测数据集的工程师及标注团队设计同时兼顾轻量性与部署便利性。压缩包内共有2个文件yolox_s.onnx是可移植的模型权重yolox_s.yaml则保存网络结构与参数配置二者协同即可在X-AnyLabeling中直接启动自动标注流程。资源包整体压缩后约31.83MB轻量紧凑下载后即可部署使用。目前已有2473人学习下载适合用于批量生成初始标注框再辅以人工审核修正在保证标注质量的同时显著缩短大型图像数据集的处理周期是目标检测项目前期数据准备的高效工具尤其在需要快速构建训练数据集时优势明显。 标注数据集这件事做一次就知道什么叫重复劳动的尽头。我第一次拿到3000张街景图需要在每张图上把行人、车辆、路灯一个个框出来框到第几百张就明显感觉状态不对了。后来同事推荐了X-AnyLabeling里面预置了一批现成的模型我用的就是yolox-s-onnx这个自动标注模型。简单说它用训练好的目标检测模型先在图上预测一遍把预测结果直接变成标注框我只需要负责检查和修正。这篇文章把我从下载、安装、加载模型到跑完整条自动标注流程里的细节和坑全部记录下来真心建议每个被标注折磨过的人都试一遍。1. 自动标注这笔账算完就不再想手动框了1.1 手工标注的时间成本算到我直接放弃先算一笔最实在的账。假设我手里有3000张街景图每张图上平均有20到40个目标。一个熟练标注员用LabelImg这类工具把一张图里的密集目标全部框完加上选类别、拖动调整、保存怎么也要2分钟左右。3000张图就是6000分钟折算成100个小时按一天8小时有效标注时间算需要12.5个工作日。如果是两个人同时干也需要一周多才能完成而且这还没算返工和误标。当时我面对的情况是一周内要出第一批可训练的数据集纯手工完全不现实。自动标注的逻辑是把这一步换掉机器先把图跑一遍预测出一批框我再快速过一遍删掉错的、补上漏的、修正类别。实测下来一张中等复杂度的街景图预标注加手动修正大概15到30秒能处理完。3000张图压到12到20个小时效率提升非常明显。这个差距不是模型精度有多夸张而是把“从零画框”变成了“在现成结果上修改”操作量完全不在一个级别。1.2 本地标注工具那么多为什么是X-AnyLabeling市面上标注工具不少但大多分成两类。一类是LabelImg、LabelMe这种纯手工标注它们更像个画框编辑器没有AI推理能力顶多帮你记住上次选的类别。另一类是云端的标注平台自动标注能力有但数据要传上去对很多团队来说数据隐私和成本都是问题。X-AnyLabeling属于第三类本地运行的开源标注工具。它是AnyLabeling的增强分支项目地址在github.com/CVHub520/X-AnyLabeling直接把一批推理模型内置到标注界面里。我试用的时候看到模型列表里有YOLO系列检测模型、SAM分割系列、OCR模型、姿态估计模型还有不少组合模型覆盖了检测、分割、识别几大主流标注需求。它对我的核心价值是“一站式”打开图片、加载模型、点一下按钮预测框直接出现在图像上保存的格式还是我熟悉的LabelMe JSON。不用像以前那样把图导出去跑一段Python脚本再导回标注工具省掉了中间所有文件转换的环节。2. yolox-s-onnx的选型逻辑为什么这个模型刚好够用2.1 YOLOX-S的体量、精度和速度YOLOX是2021年的anchor-free目标检测框架S版本是它的small档位。参数规模大约9MONNX权重文件几十MB级别即使没有独立显卡CPU也能跑得动。对于自动标注来说我们并不需要60帧实时推理只要一张图能在几秒内出结果就足够因为人工修正的速度本来就不快。在COCO这类通用检测任务上YOLOX-S的mAP大概在40左右。这个数字放在今天不算顶尖但要注意这里是用来“辅助标注”的不是最终上线模型。它能做到的是把明显物体先框出来比如常见的人、车、动物、日常用品框的位置和类别基本可信。剩下的边缘情况交给人工去修完全来得及。2.2 ONNX格式解决的兼容性麻烦ONNX全称是Open Neural Network Exchange一个开放神经网络交换格式。模型在PyTorch里训练完可以导出成ONNX之后用ONNX Runtime或OpenVINO等推理引擎去加载跨平台能力很好。X-AnyLabeling内置了对ONNX Runtime的集成所以yolox-s-onnx这类模型能直接塞进工具里跑不需要再搭一套PyTorch环境。我自己的体验是ONNX文件的部署路径很短文件放对位置配置写对启动就能用。如果换成原生PyTorch模型光是环境和依赖就能折腾掉半天。2.3 这套现成模型的能力边界必须承认内置COCO 80类模型不是万能的。它训练数据来自通用场景对自然场景里的常见物体识别得不错我拿街景、园区监控、办公环境照片测检出率都还行。但到了垂直业务场景就会露馅比如工业质检里的划痕分类、农作物病虫害细分、几十种外观接近的零件COCO模型根本没学过这些自然会漏检或标成错误的类别。换句话说现成的yolox-s-onnx适合做通用数据集的初标和预标注不适合直接拿来标垂直领域数据。想让它真正服务业务数据得训练自己的模型再接入工具这个我放到文章最后详细说。3. 下载慢、路径错、加载失败模型文件部署实录3.1 安装编译版还是源码跑X-AnyLabeling在Windows下可以直接用Release页面的编译包解压就能打开这是最快的方式。我自己在Linux服务器上跑的时候用的是源码方式git clone https://github.com/CVHub520/X-AnyLabeling.git cd X-AnyLabeling pip install -r requirements.txt python anylabeling/app.py源码方式的好处是能看细节比如模型配置文件在哪个目录、依赖是什么版本。如果启动报缺少某个库常见的原因是opencv、defusedxml、pyyaml这些基础依赖没装全。先用pip list确认关键依赖都在再逐个补比盲装省事。3.2 模型文件放对位置下载慢的应对方案模型文件需要在首次使用前放到指定目录。以YOLOX-S为例项目会在models目录下找yolox_s.onnx。如果你用的模型列表里显示“模型不存在”或加载后黑屏多半是这个文件没放对或者文件名不一致。下载慢的问题我非常有发言权。GitHub上的模型文件在普通网络环境下经常下到一半就断烦得很。实践下来有几个有效办法用支持断点续传和多线程的下载工具打开官方Release链接不要用浏览器直接下载。下载前记下官方标注的文件大小下载完对比一下防止文件不完整。如果官方源下载一直卡把下载链接粘贴到GitHub文件加速镜像站里取文件通常能快很多。实在不行找一台网络条件好的电脑下载好再通过U盘或内网共享传到工作站。注意模型文件名一定不要擅自改名配置里写死了文件名改了会找不到。3.3 加载失败的排查顺序我遇到过一次模型加载后跑不出结果界面直接卡死。排查下来是onnxruntime版本和模型不匹配。解决方法是先单独验证模型文件能否正常加载import onnxruntime as rt m rt.InferenceSession(models/yolox_s.onnx, providers[CPUExecutionProvider]) print(m.get_inputs()[0].name, m.get_inputs()[0].shape)如果上面这段能打印出输入名和shape说明文件没问题问题出在工具集成配置。如果报错优先重新下载完整的模型文件。我的建议是模型相关排查顺序先查文件是否完整再查路径是否放对最后查环境和版本依赖按这个顺序走能少走弯路。4. 从单张到批量自动标注操作流水线4.1 软件界面里怎么加载并启动推理启动X-AnyLabeling后先打开图片目录。界面右侧有一个模型选择区域找到YOLOX-S这个选项点击加载工具会自动读取对应的ONNX文件和配置。加载完成后打开任意一张图片点击工具栏上的AI标注按钮稍等片刻就能看到预测框出现在图上。框上会带着类别名称和置信度。第一次跑如果觉得很慢正常因为要加载模型到内存第二次开始就快了。这时候整条流水线就启动了一张图出框我修正保存切下一张继续。操作熟练以后这个循环可以卡得非常紧凑。4.2 几个参数在自动标注里的实际意义X-AnyLabeling里跑模型时界面会提供置信度阈值、NMS阈值等参数入口。这两个参数直接影响标注结果置信度阈值只有置信度高于这个值的检测结果才会显示。默认值一般0.25或0.3。调高一点框变少但误检少调低一点框变多但需要删的噪声也变多。NMS阈值决定重叠框的抑制强度。目标贴着摆的时候这个值调低能减少重复框。我的策略是先用默认值跑两三类图看看漏检和误检的比例再决定往哪个方向调。不要一上来就追求“框又多又准”那不现实先让模型跑起来再根据实际数据微调。4.3 保存格式与批量转成训练集工具保存的默认格式是LabelMe JSON图像旁边会生成一个同名JSON文件里面记录每个目标的轮廓点、类别、图片尺寸信息。这个格式的好处是通用很多脚本都能解析。后续训练YOLO系列模型时我更习惯把JSON转成YOLO的txt格式。转换思路很简单读取JSON里的多边形顶点如何取轮廓外接矩形计算出中心点坐标、宽度和高度再除以图片宽高归一化。核心部分长这样import json with open(annotation.json, encodingutf-8) as f: data json.load(f) img_w data[imageWidth] img_h data[imageHeight] lines [] for shape in data[shapes]: label shape[label] points shape[points] xs [p[0] for p in points] ys [p[1] for p in points] xmin, xmax min(xs), max(xs) ymin, ymax min(ys), max(ys) x_center (xmin xmax) / 2 / img_w y_center (ymin ymax) / 2 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h lines.append(f{label} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f})手动标注阶段我通常先保留LabelMe JSON因为这个格式适合人工检查和回改。确认这批数据没问题了再统一转成YOLO格式去训练避免标到一半就转格式导致来回改文件。5. 实测效果、阈值调优与三个翻车细节5.1 实测不同场景下的反应我用yolox-s-onnx跑了几类数据。街景和园区场景表现最好车辆、行人这些主体目标基本一框一个准框的位置紧贴目标边缘类别也不会错。办公桌面场景也还行能检出人、椅子、屏幕这类常见目标。但遇到密集货架上的小商品或者远处的人群漏检立刻变多两个挨得很近的目标经常被并成一个框。这几个现象不是模型坏了是YOLOX-S本身能力边界遇到这种场景我会先放弃完全自动标注改用“模型预标一部分 手工补漏”的混合方案。5.2 阈值不是一次调完的调阈值最忌讳的是对着全部图片反复试。我的实测经验是目标少、场景干净时把置信度阈值拉到0.4到0.45框少而准人工基本不用删。目标密集、追求召回时阈值降到0.15到0.2模型会给出更多候选框代价是人工删框的工作量上来了。NMS阈值默认值情况下重叠目标经常保一个丢一个调低一点重叠目标的区分会好一些。我习惯在一个批次里先抽3到5张不同复杂度的图反复调参数并点AI标注直到误检的量到自己能接受的范围再整批跑。这样比一口气跑完再返工高效很多。5.3 最容易翻车的三个细节第一个坑是类别名错配。COCO模型的类别名是person、car、bus这种英文如果项目里要求的是“行人”“车辆”导出训练格式前必须做一次批量替换别在标注状态下一个个改纯浪费时间。第二个坑是没保存。自动标注跑得快人容易进入“下一张、下一张”的节奏结果一张也没保存。我后来习惯每标完一张就CtrlS遇到突然关窗口也不慌。第三个坑是大图卡顿。有些截图分辨率非常高整图送进模型推理又慢又吃内存。我的做法是先把大图缩小预览标注时恢复原图尺寸保存标注坐标。这样既能保持AI预测可用又不会把界面拖到卡死。5.4 自定义模型接入把自动标注变成自己的闭环内置的yolox-s-onnx只算入门。真正让自动标注价值最大化的是替换成自己的模型。假设你手头已经有一些业务数据训练了一个自己的YOLO检测模型可以将权重导出成ONNX然后在X-AnyLabeling的项目里参考现有模型配置写一份自己的配置type: yolox name: custom_yolox_s display_name: Custom YOLOX-S model_path: models/custom_model.onnx input_width: 640 input_height: 640 class_names: - defect_a - defect_b把配置文件放到工具识别的位置重启后模型列表里就会出现你自己的模型。这一步做完标注流程就从“通用模型预标 大量修正”升级成“业务模型预标 少量修正”垂直场景里的标注效率提升会非常明显。整个流程跑下来我的体会是自动标注不是取代人工而是把人工从画框里解放出来花更多精力去处理模型搞不定的部分。用好了它就是数据集生产线上的第一个加速器。本文还有配套的精品资源点击获取