当前位置：首页 > news >正文

基于项目管理的轻量级目标检测自动标注系统【基于 YOLOV8】

news 来源：原创 2025/8/29 6:39:52

🐱 AILabeler 是一个轻量级目标检测标注系统，专为 YOLO 系列模型设计，支持图像上传、标注框管理、类别设置、自动标注（YOLOv8）、导出多格式训练数据等功能。
项目已经发布至https://github.com/as501226107/AILabeler，后续会持续更新，欢迎关注➕star

🔧 安装运行

安装依赖

pip install flask ultralytics opencv-python pillow

运行服务

python app.py

默认访问：http://localhost:5001

🧠 自动标注说明自动标注使用 YOLOv8 模型进行推理。你可以根据需求替换模型文件：
model = YOLO(“yolov8n.pt”) # 替换为自己的 yolov8.pt

并在 `
🐱 YOLabeler 标注系统YOLabeler 是一个轻量级目标检测标注系统，专为 YOLO 系列模型设计，支持图像上传、标注框管理、类别设置、自动标注（YOLOv8）、导出多格式训练数据等功能。

🚀 功能特性📂 项目管理

创建/查看项目
每个项目拥有独立图像、类别、标注数据

🖼 图像上传与预览

支持批量上传图片（JPG/PNG）
图像状态展示：✅ 已标注 / ❌ 未标注
🧾 标注功能
使用鼠标框选目标区域
每个框支持单独设置类别
右侧列表可编辑/删除每个框
自动保存为 JSON 标注数据

🔁 图像浏览

支持上一张 / 下一张图片快捷切换
切图时自动加载对应标注

🧠 自动标注

集成 YOLOv8 模型（默认 yolov8n.pt）
可识别图像中的所有物体
支持基于项目类别过滤保留框

📤 数据导出

支持三种格式：YOLO / COCO / VOC
可生成 ZIP 包一键下载
⚙️ 类别管理
项目级类别配置（支持增删改）
自动标注时仅保留已配置类别

🧰 目录结构

YOLabeler/
├── app.py # 主 Flask 应用
├── templates/ # HTML 模板（Jinja2）
├── static/ # 可选：CSS/JS 静态资源
├── data/
│ ├── images/ # 图像数据按项目分类存储
│ ├── annotations/ # 标注数据存储
│ ├── config/ # 每个项目类别配置
│ └── projects.json # 所有项目注册信息

🔧 安装运行

安装依赖

pip install flask ultralytics opencv-python pillow

运行服务

python app.py

默认访问：http://localhost:5001

🧠 自动标注说明自动标注使用 YOLOv8 模型进行推理。你可以根据需求替换模型文件：
model = YOLO(“yolov8n.pt”) # 替换为自己的 yolov8.pt

并在 data/config/<项目>_classes.json` 中指定需要保留的类别，非该列表内的将被过滤。

📦 支持导出格式YOLO 格式：

每张图片一个 每张图片一个 .txt
内容：内容：<class> <x_center> <y_center> <width> <height>（归一化）
COCO 格式：
一个 一个 annotations.json
包含 images、annotations、categories 三部分
VOC 格式：
每张图片一个 每张图片一个 .xml 文件，标准 Pascal VOC 格式

🧠 关键代码解释1. /annotate//` 路由用于渲染标注页面，加载图像与对应标注框，支持上下图切换：

@app.route('/annotate/<project>/<filename>')def annotate(project, filename):    ... # 加载图像目录与标注    return render_template('annotate.html', ...)

/autolabel//` 路由使用 YOLOv8 推理当前图像，返回建议框：

@app.route('/autolabel/<project>/<filename>')def autolabel_image(project, filename):    ... # 推理图像，生成预测框并渲染页面

saveBoxes() 前端函数采集标注框坐标、类别，发送到 /save/<project> 接口：

function saveBoxes() {const result = boxes.map(b => ({ x: b.rect.x(), y: b.rect.y(), width: b.rect.width(), height: b.rect.height(), label: b.label }));fetch(`/save/${project}`, { method: 'POST', body: JSON.stringify({ filename, boxes: result }) })
}

图像加载 + Konva 渲染逻辑前端绘图模块加载图像并按标注框显示：

const image = new Image();
image.onload = () => {stage = new Konva.Stage(...);preloadBoxes.forEach(b => addBox(...));setupDrawing();
};

✅ 使用建议

尽量使用 Chrome 浏览器
上传图像后建议立即标注保存（自动保存为 JSON）
自动标注可加快效率，但需人工复查每张图
切图前请先点击保存，防止未保存的修改丢失

📮 联系/建议欢迎提交 Issues 或 PR 改进系统 ❤️

安装依赖

运行服务

默认访问：http://localhost:5001

安装依赖

运行服务

默认访问：http://localhost:5001

相关文章：