尧图网站建设 
CVAT计算机视觉标注工具Docker部署10分钟跑通图像视频3D标注平台【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/cvatCVAT是一个开源的计算机视觉标注平台支持图像、视频和3D点云标注内置AI辅助标注、团队协作和多格式数据集导出。这篇实操带你用Docker Compose把它完整跑起来从零走到第一个标注任务完成。为什么CVAT值得装做视觉AI的团队最耗人力的是把原始影像变成带统一格式的训练样本。CVAT让数据直接在浏览器里组织成项目、拆分成任务和作业job分派给不同标注员并实时看到进度。标注完的数据能直接导出COCO、YOLO、Pascal VOC等20多种主流格式省去手写转换脚本。数据敏感不能出内网时CVAT Community以MIT协议跑在你自己的服务器上数据全程不出环境。标注引擎核心逻辑在cvat/apps/engine/Python SDK源码在cvat-sdk/方便你二次开发和自动化。部署前确认Docker环境与8080端口Linux系统Ubuntu 20.04或其他发行版Docker Engine 20.10Docker Compose v2内存至少8GB建议16GB磁盘预留20GB以上浏览器用Chrome/Edge等Chromium内核Safari不受支持确认8080端口未被占用ss -lntp | grep 8080无输出即可一条命令验证依赖是否齐全docker --version docker compose version两个版本号都能正常打印环境就没问题。拉取CVAT代码并启动Docker Composegit clone https://gitcode.com/GitHub_Trending/cvat/cvat cd cvat docker compose up -dup -d会拉取并启动整套栈Django后端、React前端、PostgreSQL数据库、内存版与磁盘版两个Redis实例具体服务定义见docker-compose.yml。首次拉取镜像需要2-5分钟。docker compose ps docker compose logs -f容器全部为Up状态、日志没有循环报错即表示就绪。如果部署在带公网IP或域名的机器上启动前先export CVAT_HOST你的IP或域名后端地址会跟着这个环境变量走。创建超级用户并登录8080控制台docker exec -it cvat_server bash -ic python3 ~/manage.py createsuperuser按提示输入用户名、邮箱和密码这个账户就是管理员。浏览器打开http://localhost:8080或你的CVAT_HOST用它登录右侧菜单里能看到Projects、Tasks、Jobs等完整工作区。把第一个标注任务建起来登录后直接建任务验证全链路顶部菜单进入Tasks → Create New Task上传一个图片目录或一段视频选择对应数据格式在Labels区输入至少一个标签名比如car、person并确认任务会自动拆成一个job。进入job标注画布选择矩形框工具在画面上框选目标用顶部播放控制逐帧前进如果标注的是track轨迹对象开启track模式后框选会自动在帧间传播不用每帧重画。存几帧之后刷新页面数据还在说明写入链路已通。创建界面里还有一个Select a model to pick labels下拉框选了模型后标签可以直接从模型的输出类别中生成这是后文AI自动标注的入口。进阶AI自动标注与3D点云画布AI自动标注社区版通过serverless组件接入模型做自动标注内置YOLO v7、SAM、Faster RCNN等模板函数代码在serverless/目录。启动时叠加serverless的compose文件即可docker compose -f docker-compose.yml -f components/serverless/docker-compose.serverless.yml up -d随后安装nuctl工具部署你需要的模型函数。回到标注界面打开Automatic annotation面板选模型、把模型类别映射到任务标签、设置置信度阈值和ROI范围点Annotate后画布上会自动铺出检测框人工只需修正效率比纯手工高一个量级。3D点云标注创建任务时上传KITTI点云数据画布自动切到3D模式顶部主视图配合Top、Side、Front三个正交小视图联动鼠标拖拽即可画出cuboid立方体框右侧面板还能控制颜色分组和透明度。部署与登录卡住时先查这些up -d后8080页面一直加载或超时→ 首次启动镜像拉取和数据库迁移还没跑完属于正常现象 → 等2-5分钟用docker compose logs -f确认无错误循环确认迁移没完成可进容器手动执行python3 ~/manage.py migrate。8080端口被本机其他服务占用→ 启动文件里入口地址写死为:8080不能改仓库内文件 → 在仓库外新建一个compose.override.yml覆盖端口映射然后用docker compose -f docker-compose.yml -f compose.override.yml up -d启动多文件叠加是Compose官方支持的用法。登录后页面报502或API请求401→ 后端Django刚起来时WSGI尚未就绪或登录的不是超级用户 → 等1分钟刷新重试仍不行就在docker compose ps里确认cvat_server容器是Up并查看它的日志尾部。镜像拉取卡在Downloading→ 网络链路对镜像源不友好 → 在/etc/docker/daemon.json仓库外的系统配置里配置镜像加速器重启Docker后重新up -d。下一步CVAT从一条docker compose up -d到能产出可训练的数据集中间只剩标签体系设计这一步。部署细节、模型接入和SDK用法参考仓库内的官方文档和Python SDK示例继续深入。【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 CVAT计算机视觉标注工具Docker部署：10分钟跑通图像视频3D标注平台
CVAT计算机视觉标注工具Docker部署10分钟跑通图像视频3D标注平台【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/cvatCVAT是一个开源的计算机视觉标注平台支持图像、视频和3D点云标注内置AI辅助标注、团队协作和多格式数据集导出。这篇实操带你用Docker Compose把它完整跑起来从零走到第一个标注任务完成。为什么CVAT值得装做视觉AI的团队最耗人力的是把原始影像变成带统一格式的训练样本。CVAT让数据直接在浏览器里组织成项目、拆分成任务和作业job分派给不同标注员并实时看到进度。标注完的数据能直接导出COCO、YOLO、Pascal VOC等20多种主流格式省去手写转换脚本。数据敏感不能出内网时CVAT Community以MIT协议跑在你自己的服务器上数据全程不出环境。标注引擎核心逻辑在cvat/apps/engine/Python SDK源码在cvat-sdk/方便你二次开发和自动化。部署前确认Docker环境与8080端口Linux系统Ubuntu 20.04或其他发行版Docker Engine 20.10Docker Compose v2内存至少8GB建议16GB磁盘预留20GB以上浏览器用Chrome/Edge等Chromium内核Safari不受支持确认8080端口未被占用ss -lntp | grep 8080无输出即可一条命令验证依赖是否齐全docker --version docker compose version两个版本号都能正常打印环境就没问题。拉取CVAT代码并启动Docker Composegit clone https://gitcode.com/GitHub_Trending/cvat/cvat cd cvat docker compose up -dup -d会拉取并启动整套栈Django后端、React前端、PostgreSQL数据库、内存版与磁盘版两个Redis实例具体服务定义见docker-compose.yml。首次拉取镜像需要2-5分钟。docker compose ps docker compose logs -f容器全部为Up状态、日志没有循环报错即表示就绪。如果部署在带公网IP或域名的机器上启动前先export CVAT_HOST你的IP或域名后端地址会跟着这个环境变量走。创建超级用户并登录8080控制台docker exec -it cvat_server bash -ic python3 ~/manage.py createsuperuser按提示输入用户名、邮箱和密码这个账户就是管理员。浏览器打开http://localhost:8080或你的CVAT_HOST用它登录右侧菜单里能看到Projects、Tasks、Jobs等完整工作区。把第一个标注任务建起来登录后直接建任务验证全链路顶部菜单进入Tasks → Create New Task上传一个图片目录或一段视频选择对应数据格式在Labels区输入至少一个标签名比如car、person并确认任务会自动拆成一个job。进入job标注画布选择矩形框工具在画面上框选目标用顶部播放控制逐帧前进如果标注的是track轨迹对象开启track模式后框选会自动在帧间传播不用每帧重画。存几帧之后刷新页面数据还在说明写入链路已通。创建界面里还有一个Select a model to pick labels下拉框选了模型后标签可以直接从模型的输出类别中生成这是后文AI自动标注的入口。进阶AI自动标注与3D点云画布AI自动标注社区版通过serverless组件接入模型做自动标注内置YOLO v7、SAM、Faster RCNN等模板函数代码在serverless/目录。启动时叠加serverless的compose文件即可docker compose -f docker-compose.yml -f components/serverless/docker-compose.serverless.yml up -d随后安装nuctl工具部署你需要的模型函数。回到标注界面打开Automatic annotation面板选模型、把模型类别映射到任务标签、设置置信度阈值和ROI范围点Annotate后画布上会自动铺出检测框人工只需修正效率比纯手工高一个量级。3D点云标注创建任务时上传KITTI点云数据画布自动切到3D模式顶部主视图配合Top、Side、Front三个正交小视图联动鼠标拖拽即可画出cuboid立方体框右侧面板还能控制颜色分组和透明度。部署与登录卡住时先查这些up -d后8080页面一直加载或超时→ 首次启动镜像拉取和数据库迁移还没跑完属于正常现象 → 等2-5分钟用docker compose logs -f确认无错误循环确认迁移没完成可进容器手动执行python3 ~/manage.py migrate。8080端口被本机其他服务占用→ 启动文件里入口地址写死为:8080不能改仓库内文件 → 在仓库外新建一个compose.override.yml覆盖端口映射然后用docker compose -f docker-compose.yml -f compose.override.yml up -d启动多文件叠加是Compose官方支持的用法。登录后页面报502或API请求401→ 后端Django刚起来时WSGI尚未就绪或登录的不是超级用户 → 等1分钟刷新重试仍不行就在docker compose ps里确认cvat_server容器是Up并查看它的日志尾部。镜像拉取卡在Downloading→ 网络链路对镜像源不友好 → 在/etc/docker/daemon.json仓库外的系统配置里配置镜像加速器重启Docker后重新up -d。下一步CVAT从一条docker compose up -d到能产出可训练的数据集中间只剩标签体系设计这一步。部署细节、模型接入和SDK用法参考仓库内的官方文档和Python SDK示例继续深入。【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