尧图网站建设 
本文目录前言一、主流标注工具对比二、X-Anylabeling环境部署1. 软件下载2. 部署环境3. 启动软件三、配置自动标注3. 效果展示原创声明本文为博主原创文章遵循 CC 4.0 BY-SA 版权协议转载需经博主本人同意并附上原文出处链接。前言相信大家都有标注图像的苦恼特别是当数据量特别巨大的时候此时如果没有 AI 辅助全靠人工标注的话会浪费很多时间。下面给大家提供一个X-Anylabeling中加载自定义模型实现自动标注的功能说明。注意并不是全靠 AI 辅助标注AI标注的本质是需要提前训练一个小样本的权重自定义模型根据小样本权重来实现自动标注。所以标注的好坏全靠小样本训练的效果。一般小样本训练完成后使用自动标注只需人工复审这也大大减少了工作量。一、主流标注工具对比在深度学习项目的落地流程中数据标注是决定模型上限的关键一环。面对海量的图像数据选择一款合适的标注工具往往能事半功倍。目前市面上主流的标注方案大致可以分为三类以 Labelme 为代表的桌面级手动标注工具、以 LabelImg 为代表的轻量级框选工具以及各类在线自动标注平台。我更推荐使用X-Anylabeling标注理由如下。工具名称标注类型自动标注支持格式Labelme目标检测 语义分割 实例分割 关键点❌ 不支持JSONLabelImg只支持目标检测❌ 不支持TXT、XMLX-Anylabeling目标检测实例分割旋转框检测关键点✅ 支持TXT、XML、JSONX-Anylabeling支持类别种类多可实现自动标注格式转换无需再写代码也可软件平台训练但没有GPU加速。当然也有一些在线标注网站无需安装环境但可能有数据泄露风险并且一般的网站需要额度且支持的类型也不多。比如Make Sense仅支持目标检测和分类模型二、X-Anylabeling环境部署X-Anylabeling 是一款功能强大的本地标注工具它完美地解决了上述痛点。它不仅支持手动标注更核心的价值在于能够加载深度学习模型实现自动标注并且内置了标注格式转换功能可以直接导出 YOLO 训练所需的格式真正实现了从“标注”到“训练”的无缝衔接。1. 软件下载GitHub 地址X-AnyLabelingGitHub 加速计划已包含此项目2. 部署环境下面我们以加载一个自定义训练的 YOLO 模型为例详细介绍如何在 X-Anylabeling 中实现定制化的自动标注。在X-Anylabeling所在的文件夹上方的命令框输入cmd创建虚拟环境我安装的python版本是3.10.20创建好后激活虚拟环境一定要进入到当前软件路径再安装依赖。不然会找不到requirements文件或者你输入这个文件的绝对路径也可以。pip install-r requirements.txt3. 启动软件注意打开完软件后不要将此窗口关闭否则软件也会自动关闭。在软件文件夹下激活虚拟环境后使用下面命令。即可自动进入软件。python anylabeling/app.py三、配置自动标注第一步导出 ONNX 模型首先将你使用少量数据训练好的模型例如 YOLOv8导出为 ONNX 格式。以 YOLOv8 为例在训练完成后可以使用以下命令导出fromultralyticsimportYOLO# 加载训练好的模型modelYOLO(你的文件路径)# 导出为 ONNX 格式model.export(formatonnx,opset12)第二步复制模型文件在C盘用户名文件夹下的X-Anylabeling的model文件夹中创建一个文件名我这里是以“模型名-日期”的格式创建了文件夹C:\Users\86158\xanylabeling_data\models\YOLOV11n-20260816上面我的电脑路径请按照你的用户路径来最后的YOLOV11n-20260816是我自己命名的文件夹。创建好后将转换后的onnx文件放入到该文件夹中。第三步增加 YAML 配置文件这是最关键的一步。我们需要让 X-Anylabeling 识别并加载这个新的 ONNX 模型。增加 ONNX 模型的 YAML 文件在 X-Anylabeling 的配置目录下通常是X-Anylabeling/configs/下的auto_labeling中创建yaml文件绝对路径.\X-AnyLabeling-main\X-AnyLabeling-main\anylabeling\configs\auto_labeling内容如下type:yolo11# 模型类型标识name:numbest-20260816# 模型索引名display_name:YOLOv11n-numbest# 界面上显示的名称可改provider:Ultralytics# 模型提供商可改conf_threshold:0.5# 置信度阈值iou_threshold:0.25# IoU 交并比阈值model_path:C:\Users\86158\xanylabeling_data\models\YOLOV11n-20260816\numbest.onnx#上一步onnx文件的绝对路径classes:#填写你训练的类别-person-cat-dog修改主配置文件之后去到.\X-AnyLabeling-main\X-AnyLabeling-main\anylabeling\configs文件夹下找到models.yaml配置文件在该文件的最下面添加信息model_name必须与你刚才设置的模型索引名一致config_file指向刚才配置好的yaml文件。我这里的名字是numbest.yaml-model_name:numbest-20260816config_file::/numbest.yaml配置完成后重启你的X-Anylabeling在模型选择下拉框中选中YOLOv11n-numbest因为我设置显示的名字是这个即可开始使用你的自定义模型进行自动标注了。3. 效果展示配置完成后我们选择模型后只需点击“运行”按钮或者“AI 标注”按钮X-Anylabeling 便会调用加载的 ONNX 模型对图片进行推理并自动生成标注框。对于模型置信度较高的目标标注结果几乎无需修改我们只需对个别漏检或误检的目标进行微调即可。可以看到通过加载自定义模型X-Anylabeling 将原本需要数小时的人工标注工作压缩到了几分钟的“人工审核”环节极大地提升了数据标注的效率。同时由于所有操作都在本地完成数据安全也得到了充分的保障。 X-Anylabeling中加载自定义模型实现自动标注
本文目录前言一、主流标注工具对比二、X-Anylabeling环境部署1. 软件下载2. 部署环境3. 启动软件三、配置自动标注3. 效果展示原创声明本文为博主原创文章遵循 CC 4.0 BY-SA 版权协议转载需经博主本人同意并附上原文出处链接。前言相信大家都有标注图像的苦恼特别是当数据量特别巨大的时候此时如果没有 AI 辅助全靠人工标注的话会浪费很多时间。下面给大家提供一个X-Anylabeling中加载自定义模型实现自动标注的功能说明。注意并不是全靠 AI 辅助标注AI标注的本质是需要提前训练一个小样本的权重自定义模型根据小样本权重来实现自动标注。所以标注的好坏全靠小样本训练的效果。一般小样本训练完成后使用自动标注只需人工复审这也大大减少了工作量。一、主流标注工具对比在深度学习项目的落地流程中数据标注是决定模型上限的关键一环。面对海量的图像数据选择一款合适的标注工具往往能事半功倍。目前市面上主流的标注方案大致可以分为三类以 Labelme 为代表的桌面级手动标注工具、以 LabelImg 为代表的轻量级框选工具以及各类在线自动标注平台。我更推荐使用X-Anylabeling标注理由如下。工具名称标注类型自动标注支持格式Labelme目标检测 语义分割 实例分割 关键点❌ 不支持JSONLabelImg只支持目标检测❌ 不支持TXT、XMLX-Anylabeling目标检测实例分割旋转框检测关键点✅ 支持TXT、XML、JSONX-Anylabeling支持类别种类多可实现自动标注格式转换无需再写代码也可软件平台训练但没有GPU加速。当然也有一些在线标注网站无需安装环境但可能有数据泄露风险并且一般的网站需要额度且支持的类型也不多。比如Make Sense仅支持目标检测和分类模型二、X-Anylabeling环境部署X-Anylabeling 是一款功能强大的本地标注工具它完美地解决了上述痛点。它不仅支持手动标注更核心的价值在于能够加载深度学习模型实现自动标注并且内置了标注格式转换功能可以直接导出 YOLO 训练所需的格式真正实现了从“标注”到“训练”的无缝衔接。1. 软件下载GitHub 地址X-AnyLabelingGitHub 加速计划已包含此项目2. 部署环境下面我们以加载一个自定义训练的 YOLO 模型为例详细介绍如何在 X-Anylabeling 中实现定制化的自动标注。在X-Anylabeling所在的文件夹上方的命令框输入cmd创建虚拟环境我安装的python版本是3.10.20创建好后激活虚拟环境一定要进入到当前软件路径再安装依赖。不然会找不到requirements文件或者你输入这个文件的绝对路径也可以。pip install-r requirements.txt3. 启动软件注意打开完软件后不要将此窗口关闭否则软件也会自动关闭。在软件文件夹下激活虚拟环境后使用下面命令。即可自动进入软件。python anylabeling/app.py三、配置自动标注第一步导出 ONNX 模型首先将你使用少量数据训练好的模型例如 YOLOv8导出为 ONNX 格式。以 YOLOv8 为例在训练完成后可以使用以下命令导出fromultralyticsimportYOLO# 加载训练好的模型modelYOLO(你的文件路径)# 导出为 ONNX 格式model.export(formatonnx,opset12)第二步复制模型文件在C盘用户名文件夹下的X-Anylabeling的model文件夹中创建一个文件名我这里是以“模型名-日期”的格式创建了文件夹C:\Users\86158\xanylabeling_data\models\YOLOV11n-20260816上面我的电脑路径请按照你的用户路径来最后的YOLOV11n-20260816是我自己命名的文件夹。创建好后将转换后的onnx文件放入到该文件夹中。第三步增加 YAML 配置文件这是最关键的一步。我们需要让 X-Anylabeling 识别并加载这个新的 ONNX 模型。增加 ONNX 模型的 YAML 文件在 X-Anylabeling 的配置目录下通常是X-Anylabeling/configs/下的auto_labeling中创建yaml文件绝对路径.\X-AnyLabeling-main\X-AnyLabeling-main\anylabeling\configs\auto_labeling内容如下type:yolo11# 模型类型标识name:numbest-20260816# 模型索引名display_name:YOLOv11n-numbest# 界面上显示的名称可改provider:Ultralytics# 模型提供商可改conf_threshold:0.5# 置信度阈值iou_threshold:0.25# IoU 交并比阈值model_path:C:\Users\86158\xanylabeling_data\models\YOLOV11n-20260816\numbest.onnx#上一步onnx文件的绝对路径classes:#填写你训练的类别-person-cat-dog修改主配置文件之后去到.\X-AnyLabeling-main\X-AnyLabeling-main\anylabeling\configs文件夹下找到models.yaml配置文件在该文件的最下面添加信息model_name必须与你刚才设置的模型索引名一致config_file指向刚才配置好的yaml文件。我这里的名字是numbest.yaml-model_name:numbest-20260816config_file::/numbest.yaml配置完成后重启你的X-Anylabeling在模型选择下拉框中选中YOLOv11n-numbest因为我设置显示的名字是这个即可开始使用你的自定义模型进行自动标注了。3. 效果展示配置完成后我们选择模型后只需点击“运行”按钮或者“AI 标注”按钮X-Anylabeling 便会调用加载的 ONNX 模型对图片进行推理并自动生成标注框。对于模型置信度较高的目标标注结果几乎无需修改我们只需对个别漏检或误检的目标进行微调即可。可以看到通过加载自定义模型X-Anylabeling 将原本需要数小时的人工标注工作压缩到了几分钟的“人工审核”环节极大地提升了数据标注的效率。同时由于所有操作都在本地完成数据安全也得到了充分的保障。