CVAT 快速上手指南从 0 到 1 搭建自己的计算机视觉标注平台完整路线【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是一款开源的计算机视觉标注工具支持图像、视频与 3D 点云数据集标注。本文带你用最短路径跑起 CVAT 自动标注服务并给出团队协作与数据集导出的实用建议。30 秒看懂CVAT 到底是干什么的做视觉模型的同学大概都踩过同一个坑数据集要手工一张张标团队之间进度对不上标完还要手动转格式喂给训练框架。CVAT 就是为解决这件事而生的开源标注平台——你在浏览器里画框、刷像素、标点云它负责把图像、视频、三维点云组织成项目与任务分给团队最后一键导出 COCO、YOLO、Pascal VOC 等 20 多种训练框架认得的格式。它面向的群体很清晰需要自建标注产线的算法工程师、想管理标注外包流程的团队负责人以及追求数据完全掌握在自己手里的企业。MIT 协议可以白嫖也可以魔改。两条命令先跑起来再说部署 CVAT 的思路是 Docker 一键全家桶后端Django、前端界面、PostgreSQL、Redis 全部容器化你只管拉代码、起服务。系统要求只挑最关键的两条Docker20.10和 Docker Compose 装好机器给8GB 起步、16GB 更稳的内存磁盘留 20GB 以上。git clone https://gitcode.com/GitHub_Trending/cvat/cvat cd cvat拿到源码进目录一切就绪。docker compose up -d这一条命令把后端、前端、数据库、缓存全部拉起首次初始化大概需要 2 到 5 分钟用docker compose logs -f盯着日志即可。服务起来后还差临门一脚进容器创建第一个管理员账号docker exec -it cvat_server bash -ic python3 manage.py createsuperuser按提示填邮箱和密码然后浏览器打开http://localhost:8080登录就可以开始建项目了。场景实战三种最值钱的用法场景一让模型先标人来改纯手工标几千帧视频是最磨人的活。CVAT 内置了基于 serverless 架构的自动标注能力接入 YOLO、RetinaNet、SAM 等预置模型后AI 先把检测框、掩膜、姿态点画出来标注员只做修正。操作路径是项目里上传视频 → 创建任务时定义好标签 → 在标注编辑器中调用已部署的检测模型生成预标注 → 人工微调后保存。你拿到的是人 AI混合产出的数据集效率通常能翻几倍。注意自动标注依赖 serverless 组件需要用docker compose -f docker-compose.yml -f components/serverless/docker-compose.serverless.yml up -d把模型运行时一起拉起来预置模型源码都放在 serverless/ 目录下SAM、YOLOv7、HRNet 姿态估计等都能找到。场景二给自动驾驶标点云做感知方向的团队点云 3D 标注几乎是必选项。CVAT 提供独立的 3D 画布支持 cuboid三维框标注可以逐点云文件推进、拖动视角确认方向同一套工作流同时覆盖图像和点云任务。典型流程把 .pcd/.bin 点云和对应相机图像关联进任务 → 在 3D 画布里框车、行人等目标 → 标注结果可直接用于自动驾驶目标检测训练。前端的 3D 渲染逻辑在 cvat-canvas3d/想深入定制可以翻这里的源码。场景三团队流水线式标注 按格式出货单人标注和团队标注的差别CVAT 用项目 → 任务 → 作业Job三层结构解决了管理员把数据集切成任务分给不同标注员谁干到哪一步实时可见角色权限管理员 / 标注员 / 审核者控制谁能改什么配合评论和 Issue 机制做质检。数据侧则支持把整个任务挂到 S3、Azure、GCS 上直接从云端拉流不用先下载标完之后在作业菜单里导出格式列表覆盖 COCO、YOLO、KITTI、MOT 等格式实现代码集中在 cvat/apps/dataset_manager/formats/想看某格式的具体字段映射可以直接对源码。需要程序化操作的话官方 Python SDK 的现成脚本建任务、导数据集、注册 webhook 等都摆在 cvat-sdk/examples/ 里照着抄就行。避坑清单这几个坑 90% 的新手都踩过坑原因一句解法8080 端口被占用默认端口映射写死在 docker-compose.yml改docker-compose.yml中宿主端口映射例如8081:8080容器起一半就挂内存不足后端 数据库 缓存同机跑吃资源至少 8GB视频大任务建议 16GB或给 compose 加 memory 上限permission denied跑不了 docker当前用户不在 docker 组把用户加进 docker 组或临时用 sudo镜像拉取慢到怀疑人生默认走国外 registry给 Docker 配国内镜像源再docker compose pull浏览器里画框卡顿/样式错乱官方只针对 Chromium 系浏览器做了完整适配换 Chrome 或 Edge别用 Safari另外提醒一句自动标注不是开箱即用的默认 compose 里没有 serverless 运行时忘了加那个额外 compose 文件就会在界面里看不到模型选项——这是新手最常卡住的地方。成长路线下一步往哪走✅ 通读入门文档site/content/en/docs/getting_started/含术语表和快捷键✅ 把手绘工具吃透矩形、多边形、骨骼、刷像素见 site/content/en/docs/annotation/manual-annotation/✅ 部署自动标注模型从 serverless/ 挑一个SAM 最通用配合 site/content/en/docs/annotation/auto-annotation/ 走一遍✅ 学会导数据对照 site/content/en/docs/dataset_management/formats/ 选目标训练格式✅ 用 SDK 自动化参考 cvat-sdk/examples/ 里的脚本把建任务—标注—导出写进你的 pipeline✅ 进阶架构后端核心在 cvat/apps/engine/想魔改或多机部署看仓库根的docker-compose.yml与 Helm Charthelm-chart/CVAT 的核心价值只有一句话把数据从原始文件到可训练数据集这段最耗人力的路铺平。先跑起来标一个最小数据集走完整闭环剩下的能力你会在用的过程中自然长出来。【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