X-AnyLabeling使用和安装

最新推荐文章于 2025-03-25 18:07:26 发布
最新推荐文章于 2025-03-25 18:07:26 发布
阅读量3.4k 收藏 28
点赞数 26
分类专栏： 环境配置 文章标签： 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/FL1623863129/article/details/137465079
版权
本文介绍了开源工具X-AnyLabeling的源码运行和GUI版本的使用方法，涉及依赖管理、GPU支持、启动步骤、文件导入、标注工具、AI功能和打包编译等内容，为用户提供便利和不同运行环境下的选择建议。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

源码地址：

https://github.com/CVHub520/X-AnyLabeling.git

快速入门指南

运行模式

目前 X-AnyLabeling 支持两种运行方式，一种是下载源码直接运行，另一种是直接下载编译好的 GUI 版本运行。需要注意的时，为了保证用户能使用到最新的功能特性和最稳定的性能体验，强烈建议从源码运行。

源码运行

  1. 下载源码
git clone https://github.com/CVHub520/X-AnyLabeling.git
  1. 安装依赖

目前，X-AnyLabeling 针对不同的运行环境提供了多份依赖文件：

依赖文件系统环境运行环境是否支持打包
requirements.txtWindows/LinuxCPU否
requirements-dev.txtWindows/LinuxCPU是
requirements-gpu.txtWindows/LinuxGPU否
requirements-gpu-dev.txtWindows/LinuxGPU是
requirements-macos.txtMacOSCPU否
requirements-macos-dev.txtMacOSCPU是

由于当前工具内置的模型推理后端为 OnnxRuntime，因此，如果您希望利用 GPU 进行模型推理加速，请务必确保本地 CUDA 版本与 onnxruntime-gpu 版本兼容，以确保顺利调用显卡。有关详细信息，请参考官方文档。同时，请务必将app_info.py配置文件中的__preferred_device__字段设置为GPU。

  1. 启动工具

设置当前工作环境变量可参考以下步骤：

  • Linux/MasOS
    • export PYTHONPATH=/path/to/X-AnyLabeling
  • Windows
    • set PYTHONPATH=C:\path\to\X-AnyLabeling

在 X-AnyLabeling 工程目录下执行以下命令进行启动：

python anylabeling/app.py

可选参数:

  • filename: 图像或标签文件名；如果传入目录路径，则会自动加载该文件夹

  • --help,-h: 显示帮助消息并退出

  • --reset-config: 重置 Qt 配置，清除所有设置。
  • --logger-level: 设置日志级别，可选值包括 "debug", "info", "warning", "fatal", "error"。
  • --output, -O, -o: 指定输出文件或目录。如果以 .json 结尾，则被识别为文件，否则被识别为目录。
  • --config: 指定配置文件或者以 YAML 格式提供配置信息的字符串 默认为 ~/.anylabelingrc(Linux) C:\Users\{user}\.anylabelingrc(Windows)。
  • --nodata: 停止将图像数据存储到 JSON 文件中。
  • --autosave: 自动保存标注数据。
  • --nosortlabels: 停止对标签进行排序。
  • --flags: 逗号分隔的标志列表或包含标志的文件。
  • --labelflags: 包含标签特定标志的 YAML 字符串或包含 JSON 字符串的文件。
  • --labels: 逗号分隔的标签列表或包含标签的文件。
  • --validatelabel: 标签验证类型。
  • --keep-prev: 保留前一帧的注释。
  • --epsilon: 在画布上找到最近顶点的 epsilon。

GUI 环境运行

在使用 X-AnyLabeling 自身提供的 GUI 环境运行时，相较于源码运行，最大的优势在于其方便快捷，用户无需深入关注底层实现细节，只需下载完成即可立即使用，省去了繁琐的环境配置和依赖安装步骤。然而，这种便捷方式也存在一些明显的弊端，主要包括：

  1. 不易排查问题： 当出现闪退或报错问题时，由于用户无法直接查看源码，难以快速定位具体原因，使问题排查变得相对困难。

  2. GPU加速限制： 对于希望通过调用GPU进行加速推理的用户，存在较大限制。当前提供的编译版本基于CUDA 11.6和onnxruntime 1.16.0版本进行打包编译，可能无法满足某些用户对于最新硬件或库版本的需求。

  3. 功能特性滞后： 由于无法及时更新编译版本，GUI环境运行可能无法享受到最新的功能特性，并且一些潜在的bug可能未能及时修复，影响了用户的整体体验。

为了在选择运行方式时能够更好地权衡利弊，建议用户根据具体需求和偏好，灵活选择源码运行或GUI环境运行，以达到最佳的使用体验。

下载链接：Release | 百度网盘

文件导入

X-AnyLabeling 目前提供了三种便捷的导入方式，如下所示：

导入方式快捷键
图像文件Ctrl+I
图像目录Ctrl+U
视频文件Ctrl+O

需要注意的是，默认的标注文件保存路径为导入文件路径，如果需要存放到其它目录，可点击左上角 文件 -> 另存为，选择保存目录即可。

快速绘制

当前 X-AnyLabeling 中支持多边形、矩形框、旋转框、圆形、线段、多线段和点等多种标注样式，可供用户灵活地选取。部分绘制模式的快捷键设置如下：

标注样式快捷键应用场景
多边形P图像分割
矩形框R水平目标检测
旋转框O旋转目标检测
圆形-特定场景
线段-车道线检测
多线段-血管分割
点-关键点检测

X-AnyLabeling 交互模式目前主要有两种：

  • 编辑模式：此状态下用户可移动、复制、黏贴、修改对象等；
  • 绘制模式：此状态下仅支持绘制相应地标注样式；

目前在 矩形框、旋转框、圆形、线段、点五种标注样式下，当图案绘制完成后，会自动切换到编辑模式。对于其它两种样式，用户可通过快捷键 Ctrl+J 完成快速切换。

辅助推理

对于想要使用 X-AnyLabeling 工具提供的 AI 算法功能库，可点击左侧菜单栏带 AI 字样的图标或直接按下快捷键 Ctrl+A 调出模型列表，点击下拉框选择自己需要的模型即可。如遇下载失败情况，请参考custom_model.md文档。

一键运行

X-AnyLabeling 工具中提供了实用的 一键运行 功能给予用户快速完成对当前批次任务的标注工作，用户可直接点击左侧菜单栏带 播放 图案的图标或直接按下快捷键 Ctrl+M 唤醒该功能，自动完成从当前图片到最后一张图片的标注。

需要注意的是，此项功能需要在给定模型被激活的状态下使用。此外一经开启便需要跑完整个任务，因此在启动之前笔者强烈建议先在小批量图片上进行测试，确保无误后再调用此功能。

打包编译

请注意，以下步骤是非必要的，本小节内容仅为可能需要自定义和编译软件以在特定环境中分发的用户提供的。如果您只是单纯使用本软件，请跳过这一步骤。

展开/折叠

为了方便用户在不同平台上运行 X-AnyLabeling，工具提供了打包编译的指令和相关注意事项。在执行以下打包指令之前，请根据您的环境和需求，修改 app_info.py 文件中的 __preferred_device__ 参数，以选择相应的 GPU 或 CPU 版本进行构建。

注意事项：

  1. 在编译前，请确保已经根据所需的 GPU/CPU 版本修改了 anylabeling/app_info.py 文件中的 __preferred_device__ 参数。

  2. 如果需要编译 GPU 版本，请先激活相应地 GPU 运行环境，执行 pip install | grep onnxruntime-gpu 确保被正确安装。

  3. 对于 Windows-GPU 版本的编译，需要手动修改 anylabeling-win-gpu.spec 文件中的 datas 列表参数，将本地的 onnxruntime-gpu 相关动态库 *.dll 添加进列表中。

  4. 对于 Linux-GPU 版本的编译，需要手动修改 anylabeling-linux-gpu.spec 文件中的 datas 列表参数，将本地的 onnxruntime-gpu 相关动态库 *.so 添加进列表中。此外，请注意根据您的 CUDA 版本下载匹配的 onnxruntime-gpu 包，详细匹配表可参考官方文档。

参考指令：

# Windows-CPU
bash scripts/build_executable.sh win-cpu

# Windows-GPU
bash scripts/build_executable.sh win-gpu

# Linux-CPU
bash scripts/build_executable.sh linux-cpu

# Linux-GPU
bash scripts/build_executable.sh linux-gpu

注：如果您在 Windows 环境下执行以上指令出现权限问题的话，可在确保上述准备工作完成之后，直接根据需要执行以下指令：

pyinstaller --noconfirm anylabeling-win-cpu.spec
pyinstaller --noconfirm anylabeling-win-gpu.spec

X-AnyLabeling/docs/zh_cn/get_started.md at main · CVHub520/X-AnyLabeling · GitHub

X-anylabeling如何手动加载（自定义）模型 ： 以Segment Anything 为例
企业高校双料雇佣兵，项目学术两手抓。
08-20 4691
手动加载模型的需求，主要分为三种情况，情况一：因各种网络原因无法加载，软件内置的模型加载方法无法使用情况二：内置模型在你的应用场景效果不好，你已微调了这个模型（没有修改结构），想加载进去帮助标注情况三：想添加软件暂不支持的自定义模型进入软件前两种对应的解决方案手动下载模型文件至软件默认读取位置， 或者以自定义模型形式加入，或者让你的标注软件走你的代理以自定义模型形式加入第三种需求，本文暂不涉及，后续会更新。
anylabeling模型下载不下来下载慢解决方法国内下载超快
FL1623863129的博客
07-31 812
如果想正常使用自动标注工具则需要手动下载模型放到下载后解压到C:\Users\你的用户名\anylabeling_data\models\文件夹下面。但是下载实在太慢了，一般没有科学工具是下载不下来，因此将模型全部放到国内下载，速度满速下载。汇总如下，按需下载即可。标注工具地址：https://github.com/vietanhdev/anylabeling。问题发生：当我们自动标注选择模型会发生闪退，这个是因为模型下载不下来导致的。
X-AnyLabeling-CPU标注方法以及使用生成的文件训练yolo12模型保姆及教程以及数据包（标注文件代码文件）
weixin_68798667的博客
03-07 555
训练完成之后会生成一个runs\detect\train\weights\best.pt 文件也就是你训练好的模型。这里会自动生成一个labels文件 注意的时候后期训练需要的就是images以及labels文件。注意的是要和images文件并列如图下解压这个文件获取里面的classes文件。点击工具中的统计总览点击导出这里。
X-AnyLabeling软件的安装以及半自动标注自建数据集的教程
weixin_61820961的博客
12-25 2386
X-AnyLabeling是一个比较方便的集标签各种格式导出（导出选项支持格式如COCO-JSON、VOC-XML、YOL0-TXT、DOTA-TXT和MOT-CSV）、通过自训练模型半自动对数据集进行标注以及支持各种形状的标签框（包括多边形、矩形旋转框、圆形、线条点以及文本检测）的软件。每次运行都要运行APP.py也不方便，所以GitHub官网也提供了.exe的程序版本，有CPU和GPU两种，大家按需选择，这里注意，必须跑通一次APP.py才可以用程序启动！pwd=lflf 提取码: lflf。
软件安装教程——X-AnyLabeling 安装与自动标注
热门推荐
Re.Gin的博客
01-10 1万+
本文介绍如何安装并使用 X-AnyLabeling 进行自动标注。
X-AnyLabeling 使用与安装指南
gitblog_00962的博客
08-08 1321
X-AnyLabeling 使用与安装指南 X-AnyLabelingEffortless data labeling with AI support from Segment Anything and other awesome models.项目地址:https://gitcode.com/gh_mirrors/xa/X-AnyLabeling 1. 项目介绍 X-AnyLabeling 是...
下载并部署数据自动标注工具X-AnyLabeling
willnzd的博客
10-23 971
此项目是用于数据方面的标注工具，其包含目标检测、关键点检测、文字识别、姿态估计、分割等多方面的数据标注。其有多个模型，可根据自己的需求来加载使用，还可以导入自己项目的模型来对自己的数据集进行快速标注。
X-Anylabeling自动标注软件的安装
liqian343266的博客
05-26 785
X-anylabeling自动标注
X-AnyLabeling
09-10
用户可以通过上传自己的数据集，使用X-AnyLabeling中已经集成的先进模型进行标注，从而快速获得标注后的数据，用于后续的机器学习模型训练和验证。 在实际应用中，X-AnyLabeling表现出色，尤其在图像识别和分类领域...
X-AnyLabeling2.3.6安装包及代码
08-14
X-AnyLabeling2.3.6安装包及代码，压缩包内包括内容 X-AnyLabeling-CPU.exe X-AnyLabeling-2.3.6.zip 官方下载地址 https://github.com/CVHub520/X-AnyLabeling
X-AnyLabeling-GPU安装包
12-28
X-AnyLabeling-GPU安装包
anylabeling安装与使用说明
08-09
anylabeling模型
数据集标注应用程序X-AnyLabeling-CPU
08-14
X-AnyLabeling-CPU版本的.exe应用程序是一种基于Windows平台的图像标注工具，它特别针对CPU架构设计，专用于计算机视觉任务中的自动化图像标签工作流程。这类应用通常支持批量处理大量的图片数据，用户可以为其预定...
X-AnyLabeling的yolov6lite-s-face-onnx自动标注模型
06-08
总的来说，X-AnyLabeling的yolov6lite_s_face-onnx模型结合了高效的自动标注功能和精准的人脸检测能力，对于需要大量进行人脸标注的项目而言，是一个极具价值的工具。通过使用这个模型，用户不仅可以节省手动标注的...
X-Anylabeling自动标注软件安装使用教程含conda环境搭建安装(详细教程)
2303_80018785的博客
06-04 5327
X-Anylabeling通常提供更高级的功能，如自动标注、模型集成等。 用户界面：可能具有更复杂的用户界面，适合专业用户或需要高级功能的场景。 扩展性：通常具有更强的扩展性，可以与其他工具和平台更好地集成。 性能：在处理大规模数据集和高分辨率图像时，可能性能更好。 适用场景：适合需要高级功能的专业标注任务，如涉及深度学习模型的自动标注。 适合处理大规模数据集的场景。
X-AnyLabeling的安装、配置指南
Yale-曼陀罗
02-06 1719
但是，由于Mac中本身既有python2.7又有python3.8以上版本，此时命令行执行运行脚本命令时，正常情况下，在安装Python3.8以上版本的虚拟环境中，直接输入以下命令行即可成功启动程序。步骤 1. 创建一个 Python 3.8+ 版本的 conda 环境，并激活它。请注意，ONNX Runtime 的版本需大于等于 1.16.0。命令，执行安装第三方依赖包时，需要先将当前的路径切换至“如需使用以下高级功能，请参考相应文档安装额外依赖。为避免冲突，请执行以下命令卸载第三方相关包。
X-AnyLabeling的安装与使用指南
最新发布
weixin_45303602的博客
03-25 869
相比于从源代码运行，GUI 运行环境提供了更便捷的体验，用户无需深入了解底层实现，只需解压便可直接使用。因此，建议根据具体需求和偏好，在从源代码运行和使用 GUI 环境之间做出选择，以优化用户体验。NOTE] 如需使用以下高级功能，请参考相应文档安装额外依赖。有关如何使用 X-AnyLabeling 的详细说明，请参考相应的。⚠️ 请注意，如果您需要 GPU 加速，应在。为避免冲突，请执行以下命令卸载第三方相关包。首先下载好anaconda。参数随时查看可用的选项。字段设置为 'GPU'。
自动化数据标注：AI大模型发展的新引擎
AI智能涌现深度研究
04-27 1074
自动化数据标注：AI大模型发展的新引擎 1. 背景介绍 1.1 数据标注的重要性 在人工智能和机器学习领域,训练高质量的模型需要大量标注数据。数据标注是指为原始数据(如图像、文本、音频等)赋予有意义的标签或标记,使
基于开源大模型实现医疗实体识别自动标注（人工校正）
Boblee的博客
03-26 697
基于开源大模型实现医疗实体识别自动标注
X Anylabelimg如何使用旋转框标注
03-23
### AnyLabeling 工具中旋转框标注的使用方法 在 AnyLabeling 中，旋转框标注是一种用于对象检测的重要功能，尤其适用于需要精确描述倾斜物体的应用场景。以下是关于如何使用旋转框进行标注的具体说明： #### 启动与加载图片 首先，在搜索引擎中找到所需的航拍图或其他适用图像，并将其下载到本地存储位置[^1]。随后启动 **x-anylabeling** 软件。 #### 创建旋转框 进入软件后，选择要处理的目标图片。按下快捷键 `O` 可以创建一个新的旋转矩形框。此操作会在当前视图中生成一个初始状态下的旋转框。 #### 编辑旋转框 为了调整已经创建好的旋转框至合适的位置和方向，可以切换至编辑模式。具体来说，可以通过按住组合键 `Ctrl+J` 进入编辑模式并点击选取对应的旋转框。之后利用键盘上的特定按键来微调其角度： - 键盘输入字母 `z` 实现较大程度的逆时针转动； - 输入 `x` 则完成较小幅度的逆时针转向； - 对于顺时针的小范围调节可采用 `c` 键； - 若需大幅度顺时针改变则应选用 `v` 键。 #### 设置标签名称 当完成了旋转框大小及方位的确立以后，系统通常会弹出对话窗口请求指定该标记项所属类别即为其赋予恰当的名字作为识别依据[^2]。这一步骤对于后续的数据分析至关重要，因此务必准确无误地定义每一个被标注物象的身份特征。 #### 自动化辅助（可选） 除了上述的手工精细设定外，any labeling还提供了智能化解决方案——自动标注服务。用户只需激活界面上方靠近底部左侧角落处名为“Ai”的按钮接着挑选“Auto Label”项目即可尝试借助预训练模型快速实现大批量样本的一次性分类与定位工作[^3]。不过需要注意的是，这种便利方式依赖良好的互联网连接状况以及提前准备好合适的机器学习算法支持文件才能发挥最大效能。 ```python # 示例代码展示如何通过Python脚本控制X-AnyLabeling的部分基础交互逻辑(假设存在相应API接口) import any_labeling_api as ala def create_rotated_box(image_path, box_coordinates): app = ala.Application() window = app.main_window # 加载图片 window.load_image(image_path) # 开启新旋转框绘制命令模拟触发 'O' 键事件 window.simulate_key_press('O') # 假设我们已经有了坐标数据列表形式表示四个顶点顺序依次为左上右上下左右下 points = [(box_coordinates[i], box_coordinates[i+1]) for i in range(0,len(box_coordinates),2)] # 绘制多边形近似代替实际旋转矩形构建过程 polygon_id = window.draw_polygon(points) return polygon_id if __name__ == "__main__": img_file = "/path/to/your/image.jpg" coords = [50, 70, 90, 80, 100, 60, 60, 50] created_poly = create_rotated_box(img_file, coords) print(f"Created Polygon ID:{created_poly}") ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

FL1623863129

你的打赏是我写文章最大的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值