尧图网站建设 
CVAT 入门从 Docker 本地部署到第一次计算机视觉标注的完整指南【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/cvatCVATComputer Vision Annotation Tool是一个开源的计算机视觉标注平台覆盖图像、视频和 3D 点云内置 AI 自动标注、质量检查和团队协作。这篇文章带你用 Docker 装好 CVAT再建第一个任务、画出第一个标注目标是三十分钟拿到第一个结果而不是背下一堆命令。先花两分钟回答三个问题动手前先想清楚能少走不少弯路。第一你需要 CVAT 吗如果你手里有图像、视频或点云数据要产出训练用的数据集而且不想自己从零写标注页面它值得跑起来。如果只是想转换几张图的格式在线工具更快。第二单人还是团队数据都放在一台机器上团队则共用同一个 CVAT 实例按 job 分配任务、按角色控制权限进度互相可见。后文会点到协作的部分单人可以直接跳过。第三怎么部署本地试用就是 Docker Compose 一条命令的事本文按这个走如果你们已有 K8s 集群仓库里的 Helm Chart 是另一条路这里不展开。CVAT Docker 一键部署五条命令到页面打开这一步解决把整套平台拉到本机。做完后浏览器打开 localhost 能看到登录页。硬件上 16GB 内存、20GB 空闲磁盘比较从容Docker 20.10 以上即可。git clone https://gitcode.com/GitHub_Trending/cvat/cvat cd cvat docker compose up -d首次启动要拉取后端、前端、PostgreSQL、Redis 等镜像快则几分钟慢则十几分钟。跟进行度的命令是docker compose logs -f看到各容器依次变为 Up 就可以停掉日志、打开浏览器了。注意不用手动跑 migrate——数据库初始化在容器启动时自动执行。拉镜像慢或失败这是国内网络最常见的坎。两个办法换一台网络好的机器docker pull后docker save打包再本机docker load导入或者给 Docker daemon 配置国内镜像加速器。终端提示 permission denied说明当前用户没有 docker 权限。图快就sudo docker compose up -d顶上长期用则把用户加进 docker 组后重新登录。8080 端口冲突怎么改浏览器打不开lsof -i:8080一看端口被占别慌改一行映射就行。打开 docker-compose.yml找到 nginx 服务的 ports 段ports: - 9080:8080左边换成任意空闲端口重启docker compose up -d然后访问 http://localhost:9080。登录即管理员第一个注册账户就是超级用户启动后进注册页填邮箱和密码。CVAT 的机制是第一个注册的账户自动成为管理员不需要钻进容器敲 createsuperuser。注册成功即进入主界面此时项目列表是空的这正是开始的地方。第一个标注上传一张图画一个矩形这一步解决把数据放进去画点东西出来。做完后你能在画布上看到一个带标签的框。点 New Task选类型Image 或 Video填名字定义标签比如 car然后上传文件——单张图、视频或 zip 包都行。进入任务后会落到具体的 job 里顶部工具栏是矩形、多边形、椭圆、画笔等工具。选矩形拖一个框右侧点一下 car 标签保存第一个标注完成。视频则画一帧后自动向后续帧传播不用逐帧点。遇到密集的小目标可以切到画笔按像素涂抹再自动成框交互式标注的工具集比只有矩形框丰富不少。让 AI 先画CVAT 自动标注的用法人工逐帧画太慢时这一步解决机器先出草稿人来改。创建任务时直接选自动标注的模型比如人体姿态估计CVAT 会按模型自动生成对应标签——body、face、hands 都替你建好然后照常上传数据。跑完得到的 AI 结果只是草稿价值在于你只需逐个框做核对和微调而不是从零画起。3D 点云标注给激光雷达数据打 3D 框做自动驾驶感知的会关心这部分。上传 .bin / .pcd 点云后画布换成三维视图主视口加 Top、Side、Front 三个正交视角在 3D 视图里拖出 cuboid 框四个视图同步联动机器人环境理解和三维重建也是同一套流程。标注完成后导出数据和看进度这一步解决成果怎么拿走、团队干了多少。任务详情里选 Request dataset格式从 COCO、Pascal VOC 到 CVAT 自有格式都有下载即用。项目层面的统计页把每个标签的框数、总形状数列出来谁标了多少、卡在哪团队负责人一眼可见。团队协作顺带说清项目所有者邀请成员把 job 分下去标注员只能看到分配给自己的任务权限从 admin 到 annotator 逐级收窄。卡住了看这里三个坑基本覆盖所有新手问题镜像拉不动走加速器或 save/load 转存docker 没权限进 docker 组8080 被占改 ports 左边一位。再往后卡住翻一遍 README 和 官方文档里面每个功能都有更细的说明。【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 入门：从 Docker 本地部署到第一次计算机视觉标注的完整指南
CVAT 入门从 Docker 本地部署到第一次计算机视觉标注的完整指南【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/cvatCVATComputer Vision Annotation Tool是一个开源的计算机视觉标注平台覆盖图像、视频和 3D 点云内置 AI 自动标注、质量检查和团队协作。这篇文章带你用 Docker 装好 CVAT再建第一个任务、画出第一个标注目标是三十分钟拿到第一个结果而不是背下一堆命令。先花两分钟回答三个问题动手前先想清楚能少走不少弯路。第一你需要 CVAT 吗如果你手里有图像、视频或点云数据要产出训练用的数据集而且不想自己从零写标注页面它值得跑起来。如果只是想转换几张图的格式在线工具更快。第二单人还是团队数据都放在一台机器上团队则共用同一个 CVAT 实例按 job 分配任务、按角色控制权限进度互相可见。后文会点到协作的部分单人可以直接跳过。第三怎么部署本地试用就是 Docker Compose 一条命令的事本文按这个走如果你们已有 K8s 集群仓库里的 Helm Chart 是另一条路这里不展开。CVAT Docker 一键部署五条命令到页面打开这一步解决把整套平台拉到本机。做完后浏览器打开 localhost 能看到登录页。硬件上 16GB 内存、20GB 空闲磁盘比较从容Docker 20.10 以上即可。git clone https://gitcode.com/GitHub_Trending/cvat/cvat cd cvat docker compose up -d首次启动要拉取后端、前端、PostgreSQL、Redis 等镜像快则几分钟慢则十几分钟。跟进行度的命令是docker compose logs -f看到各容器依次变为 Up 就可以停掉日志、打开浏览器了。注意不用手动跑 migrate——数据库初始化在容器启动时自动执行。拉镜像慢或失败这是国内网络最常见的坎。两个办法换一台网络好的机器docker pull后docker save打包再本机docker load导入或者给 Docker daemon 配置国内镜像加速器。终端提示 permission denied说明当前用户没有 docker 权限。图快就sudo docker compose up -d顶上长期用则把用户加进 docker 组后重新登录。8080 端口冲突怎么改浏览器打不开lsof -i:8080一看端口被占别慌改一行映射就行。打开 docker-compose.yml找到 nginx 服务的 ports 段ports: - 9080:8080左边换成任意空闲端口重启docker compose up -d然后访问 http://localhost:9080。登录即管理员第一个注册账户就是超级用户启动后进注册页填邮箱和密码。CVAT 的机制是第一个注册的账户自动成为管理员不需要钻进容器敲 createsuperuser。注册成功即进入主界面此时项目列表是空的这正是开始的地方。第一个标注上传一张图画一个矩形这一步解决把数据放进去画点东西出来。做完后你能在画布上看到一个带标签的框。点 New Task选类型Image 或 Video填名字定义标签比如 car然后上传文件——单张图、视频或 zip 包都行。进入任务后会落到具体的 job 里顶部工具栏是矩形、多边形、椭圆、画笔等工具。选矩形拖一个框右侧点一下 car 标签保存第一个标注完成。视频则画一帧后自动向后续帧传播不用逐帧点。遇到密集的小目标可以切到画笔按像素涂抹再自动成框交互式标注的工具集比只有矩形框丰富不少。让 AI 先画CVAT 自动标注的用法人工逐帧画太慢时这一步解决机器先出草稿人来改。创建任务时直接选自动标注的模型比如人体姿态估计CVAT 会按模型自动生成对应标签——body、face、hands 都替你建好然后照常上传数据。跑完得到的 AI 结果只是草稿价值在于你只需逐个框做核对和微调而不是从零画起。3D 点云标注给激光雷达数据打 3D 框做自动驾驶感知的会关心这部分。上传 .bin / .pcd 点云后画布换成三维视图主视口加 Top、Side、Front 三个正交视角在 3D 视图里拖出 cuboid 框四个视图同步联动机器人环境理解和三维重建也是同一套流程。标注完成后导出数据和看进度这一步解决成果怎么拿走、团队干了多少。任务详情里选 Request dataset格式从 COCO、Pascal VOC 到 CVAT 自有格式都有下载即用。项目层面的统计页把每个标签的框数、总形状数列出来谁标了多少、卡在哪团队负责人一眼可见。团队协作顺带说清项目所有者邀请成员把 job 分下去标注员只能看到分配给自己的任务权限从 admin 到 annotator 逐级收窄。卡住了看这里三个坑基本覆盖所有新手问题镜像拉不动走加速器或 save/load 转存docker 没权限进 docker 组8080 被占改 ports 左边一位。再往后卡住翻一遍 README 和 官方文档里面每个功能都有更细的说明。【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