CVAT 图像标注教程如何用 CVAT 在 3 天内交付一批标注数据【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你收到 5000 张图像三天后要交训练数据。用表格标框显然不现实你需要一个能管任务、分权限、直接导出训练格式的开源数据标注工具。下面用 CVAT 走一遍部署、建任务、标注、AI 辅助、导出。第一次上手CVAT Docker 部署与第一笔标注先部署。仓库克隆下来后用 Docker Compose 一键起完整环境git clone https://gitcode.com/GitHub_Trending/cvat/cvat cd cvat docker compose up -d打开http://localhost:8080用默认账号admin/admin登录第一件事是改掉密码。创建第一个 Project添加标签比如car、person新建 Task 上传一张测试图。进入标注页左侧点 Rectangle 工具在目标上拖出一个框右侧面板选中标签第一笔标注完成。跑通一个标注任务上传数据、标签体系与导出上传数据Tasks 页面点 Create New Task。数据源支持本地文件、压缩包图像目录、URL 和视频文件视频会被切帧处理也可对接云存储。建立标签体系在 Project 的 Labels 面板定义类别每个标签设名称、颜色和属性如occluded是/否、angle数值型。属性会出现在标注对象侧边栏随标注一起保存。CVAT标签与属性配置面板执行标注左侧选工具拖框/描点/刷掩码右侧填属性N键跳到下一帧。矩形框、多边形、掩码这些工具按数据类型选用即可不用全学。导出结果任务详情页点 Export选目标格式如 Ultralytics YOLO Detection几分钟后下载 ZIP。人工标不动的时候AI 辅助标注怎么用原理一句话CVAT 把预训练检测/分割模型作为独立服务部署运行时对图像推理返回预画的框或掩码你只负责审校。使用流程任务页打开 Detectors 面板选模型设置置信度阈值指定帧范围或 ROI执行后结果以草稿标注出现逐个确认或修改。模型选择两条建议目标检测任务选 serverless/pytorch/facebookresearch/detectron2 下的检测模型CPU 即可跑需要像素级掩码选 serverless/pytorch/facebookresearch/sam 的 SAM 分割模型建议 GPU模型函数用部署脚本发布cd serverless ./deploy_gpu.sh # 批量部署 GPU 函数CPU 环境用 deploy_cpu.sh从一个人标到团队标CVAT 内置四种角色按人分配权限角色能做什么Admin用户与组织管理、审计Manager创建/编辑 Project 和 Task、分配 JobEditor标注员执行标注、修改自己负责的 JobViewer审核员只读检查进度与质量任务分配用 Stage把任务拆成多个阶段如初标 → 一审 → 二审每个阶段指派不同人Job 在阶段间流转谁卡在哪个环节一目了然。进度与质量看分析面板按任务维度查看完成量、事件记录和质量对比报告。把标注结果送进训练图像标注结果导出为 YOLO 格式只讲三种最常用的格式都在 Export 对话框里可选格式适用场景Ultralytics YOLO DetectionYOLO 系检测训练COCO多任务数据集、mmdet/mmpose 等生态Pascal VOC经典检测/分割基线导出操作任务详情页 → Export → 选格式 → 下载 ZIP。以 YOLOv8 为例对接训练unzip dataset.zip -d data # 解压 CVAT 导出的数据集 yolo detect train datadata/data.yaml epochs300 # 按数据集内 data.yaml 训练其他格式的导入导出逻辑一样SDK 侧见 SDK 文档命令行批量操作见 CLI 工具。踩坑经验 3 条视频任务打开很卡。原因是长视频全部按帧加载浏览到后段时缓冲压力大。解决标注时只加载当前帧范围长视频拆成多个 Task或先在关键帧上粗标、再按帧区间精标。自动标注模型列表是空的。原因AI 模型是独立的 serverless 函数不随主服务启动没部署就看不到。解决确认docker compose -f docker-compose.serverless.yml up -d已起再跑deploy_gpu.sh部署函数然后刷新 Detectors 面板。导出的 YOLO 标签和预期对不上。原因类别索引按你在 Labels 面板创建的顺序排列增删标签会整体重排。解决导出前冻结标签表对照数据集里的 classes 定义与标注时的标签顺序逐一核对。接下来想批量导入导出或写脚本对接看 SDK 文档 和 CLI 工具生产环境部署参考仓库里的 Helm Chart。【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