图像标注工具X-Anylabeling

X-Anylabeling使用细节

官方给出的两种使用方式

1. 直接下载编译好的GUI版本，打开即用。下载地址
2. 下载源码运行。下载地址

方式一

直接在GitHub release上下载 Releases · CVHub520/X-AnyLabeling · GitHub

或者在百度网盘下载，官方链接

首先查看X-Anylabeling标注工具相应的版本，然后根据你电脑的硬件设备选择对应的系统以及CPU还是GPU

方式二

1、源码下载

通过下载源码运行，也是官方比较建议的构建方式，这样可以保证体验到最新的功能和更稳定的性能体验。

GitHub下载地址:https://github.com/CVHub520/X-AnyLabeling/

2、安装依赖

使用Pycharm打开刚才下载好的X-Anylabeling-main文件夹

首先先激活你的pytorch环境

然后安装依赖

目前X-Anylabeling针对不同的运行环境提供了多种依赖文件：

在这里我选择的是requirements.txt依赖文件，在终端上输入一下命令进行环境配置：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/

根据自身网速，稍等一会即可安装完成

3、启动工具

直接打开X-Anylabeling-main-->anylabeling文件夹下的app.py文件，鼠标右键直接运行即可

显示该界面即为打开成功

配置 Windows 中的环境变量是为了某些命令在 CMD 中可以被识别以及用于多应用之间的交互。

加载内置模型时下载失败

官方提供的所有内置模型下载地址：X-AnyLabeling/docs/zh_cn/model_zoo.md at main · CVHub520/X-AnyLabeling · GitHub

首先根据上方链接下载你所需要的内置模型，下面我们以Edge-SAM为例子

当你直接软件中加载内置模型过慢或者加载失败时候，可以根据内置模型的名字Edge-SAM，在内置模型下载官网上直接选择相应的通道进行下载，一定要看清楚，有的模型分为encoder和decoder，需要下载两个预训练模型。这里Edge-SAM九需要分别下载edge_sam_encoder.onnx和edge_sam_decoder.onnx

然后将这两个预训练模型直接放到一个任意的英文文件夹内就行（记住存放路径）。在这里我的存放路径是G:\pre_model\edge_sam （说明一下我的是windows系统）。最后更改GX-AnyLabeling-main\anylabeling\configs\auto_labeling文件夹下的.yaml文件中的路径。Edge-SAM模型对应的是edge_sam.yaml，直接用记事本打开即可，更改对应的encoder_model_path和decoder_model_path即可。

重新加载内置模型，打开软件之后首先选择加载自定义模型，然后选中你更改之后的那个.yaml文件直接打开即可