尧图网站建设 
从拿到素材到交付数据集CVAT 数据标注工作流的 4 个环节【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/cvatComputer Vision Annotation ToolCVAT是一个开源的数据标注平台覆盖 2D 框、多边形、掩码、关键点和 3D cuboid 标注。如果你是算法工程师或数据标注负责人需要把原始素材变成可训练的标注数据下面这套流程是我实际用下来的顺序。环节一Docker 3 行起服务5 分钟进标注页前提机器装好 Docker 和 Docker Compose建议 8GB 以上内存、50GB 以上磁盘。端口前端默认监听 8080和本地服务冲突时改 docker-compose.yml 里的端口映射即可。浏览器官方主要测试 Chromium 系浏览器Chrome、EdgeFirefox 可能有兼容问题。启动完整服务栈克隆仓库、拉起容器、创建管理员账号一条命令链做完git clone https://gitcode.com/GitHub_Trending/cvat/cvat cd cvat docker compose up -d docker exec -it cvat_server bash -ic python3 ~/manage.py createsuperuser打开http://localhost:8080用刚建好的账号登录任务列表页就是所有标注工作的起点。环节二建任务、定标签标出第一帧CVAT 的层级是Project → Task → Job项目归组相关数据集任务是一批数据Job 是分配给某个人的工作切片进度按 Job 统计。新建任务选择数据类型图像、视频或点云并上传本地文件、压缩包、S3/Azure/Google Cloud 云存储都可以。定义标签如car、person每个标签配独立颜色再挂属性遮挡、截断等属性分固定值如年龄和每帧可变值如可见度两种。分配 Job把 Job 指派给标注员状态会走new → in progress → completed。编辑器里鼠标悬停任意控件都能看到它的快捷键N下一帧、P上一帧、CtrlZ撤销全部可在设置里自定义完整清单见 shortcuts.md。环节三视频任务省一半时间Track 模式与插值视频逐帧画框是浪费。切到Track 模式后只在关键帧画形状CVAT 对中间帧做线性插值你只需要修正目标快速移动或被遮挡的帧。刷笔工具做掩码级标注时刷笔比手画多边形快直接刷出掩码区域工具会把像素结果转成多边形还带像素级和底层两种刷法。自动标注接入预训练模型CVAT 的自动标注跑在 serverless 模型服务上仓库自带检测YOLOv7、Faster R-CNN、分割SAM、姿态估计HRNet等现成模型。先加上 serverless 组件再起服务docker compose -f docker-compose.yml -f components/serverless/docker-compose.serverless.yml up -d用nuctl把模型函数部署上去它们就会出现在编辑器的 Auto Annotation 对话框里。典型流程选模型、框选区域、生成结果、人工修正。骨架标注是常见用途之一环节四3D 场景的 cuboid 怎么画自动驾驶这类激光雷达数据建 3D 任务点云和相机图片一起上传后在 3D 画布里画 cuboid多个相机视角同步显示也可以直接输入尺寸参数修正。工作区的完整说明在 3d-task-workspace.md。环节五多人协作不乱阵脚质检与共识多人标注同一批数据时用Consensus模式多个副本独立标注后合并直接算出标注员之间的一致率。更严格的 Ground Truth 和 Honeypot 校验走服务端 API 触发机制见 consensus.md。导出数据集直接进训练标完在 Job 上导出COCOJSON、YOLOTXT、PASCAL VOC、KITTI 按需选拿到的就是训练脚本能读的文件不用写转换脚本。各格式的读写实现在 cvat/apps/dataset_manager/formats/想程序化管理的话pip install cvat-sdk可以用 Python 完成任务创建、上传和导出。我的建议先按上面的命令把社区版跑起来扔十几张图建一个任务从定标签到导出 COCO 完整走一遍这套工作流就顺了。【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 从拿到素材到交付数据集：CVAT 数据标注工作流的 4 个环节
从拿到素材到交付数据集CVAT 数据标注工作流的 4 个环节【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/cvatComputer Vision Annotation ToolCVAT是一个开源的数据标注平台覆盖 2D 框、多边形、掩码、关键点和 3D cuboid 标注。如果你是算法工程师或数据标注负责人需要把原始素材变成可训练的标注数据下面这套流程是我实际用下来的顺序。环节一Docker 3 行起服务5 分钟进标注页前提机器装好 Docker 和 Docker Compose建议 8GB 以上内存、50GB 以上磁盘。端口前端默认监听 8080和本地服务冲突时改 docker-compose.yml 里的端口映射即可。浏览器官方主要测试 Chromium 系浏览器Chrome、EdgeFirefox 可能有兼容问题。启动完整服务栈克隆仓库、拉起容器、创建管理员账号一条命令链做完git clone https://gitcode.com/GitHub_Trending/cvat/cvat cd cvat docker compose up -d docker exec -it cvat_server bash -ic python3 ~/manage.py createsuperuser打开http://localhost:8080用刚建好的账号登录任务列表页就是所有标注工作的起点。环节二建任务、定标签标出第一帧CVAT 的层级是Project → Task → Job项目归组相关数据集任务是一批数据Job 是分配给某个人的工作切片进度按 Job 统计。新建任务选择数据类型图像、视频或点云并上传本地文件、压缩包、S3/Azure/Google Cloud 云存储都可以。定义标签如car、person每个标签配独立颜色再挂属性遮挡、截断等属性分固定值如年龄和每帧可变值如可见度两种。分配 Job把 Job 指派给标注员状态会走new → in progress → completed。编辑器里鼠标悬停任意控件都能看到它的快捷键N下一帧、P上一帧、CtrlZ撤销全部可在设置里自定义完整清单见 shortcuts.md。环节三视频任务省一半时间Track 模式与插值视频逐帧画框是浪费。切到Track 模式后只在关键帧画形状CVAT 对中间帧做线性插值你只需要修正目标快速移动或被遮挡的帧。刷笔工具做掩码级标注时刷笔比手画多边形快直接刷出掩码区域工具会把像素结果转成多边形还带像素级和底层两种刷法。自动标注接入预训练模型CVAT 的自动标注跑在 serverless 模型服务上仓库自带检测YOLOv7、Faster R-CNN、分割SAM、姿态估计HRNet等现成模型。先加上 serverless 组件再起服务docker compose -f docker-compose.yml -f components/serverless/docker-compose.serverless.yml up -d用nuctl把模型函数部署上去它们就会出现在编辑器的 Auto Annotation 对话框里。典型流程选模型、框选区域、生成结果、人工修正。骨架标注是常见用途之一环节四3D 场景的 cuboid 怎么画自动驾驶这类激光雷达数据建 3D 任务点云和相机图片一起上传后在 3D 画布里画 cuboid多个相机视角同步显示也可以直接输入尺寸参数修正。工作区的完整说明在 3d-task-workspace.md。环节五多人协作不乱阵脚质检与共识多人标注同一批数据时用Consensus模式多个副本独立标注后合并直接算出标注员之间的一致率。更严格的 Ground Truth 和 Honeypot 校验走服务端 API 触发机制见 consensus.md。导出数据集直接进训练标完在 Job 上导出COCOJSON、YOLOTXT、PASCAL VOC、KITTI 按需选拿到的就是训练脚本能读的文件不用写转换脚本。各格式的读写实现在 cvat/apps/dataset_manager/formats/想程序化管理的话pip install cvat-sdk可以用 Python 完成任务创建、上传和导出。我的建议先按上面的命令把社区版跑起来扔十几张图建一个任务从定标签到导出 COCO 完整走一遍这套工作流就顺了。【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