1. 安装label-studio
- 创建名为label_studio的虚拟环境(示例的Python版本为3.8)
conda create -n label_studio python=3.8
- 激活虚拟环境
conda activate label_studio
- pip安装label-studio (version=1.3)
pip install label-studio==1.3
2. 配置label-studio
- 安装label-studio机器学习后端,dirname为放代码的文件夹路径
cd dirname
git clone https://github.com/heartexlabs/label-studio-ml-backend
- 安装label-studio及其依赖
cd label-studio-ml-backend
pip install -U -e .
- (可选) 安装label-studio中examples运行所需的requirements
pip install -r label_studio_ml/examples/requirements.txt
3. 创建与启动模型
- 定义模型
在使用label-studio后端之前,要先定义好自己的训练模型,模型的定义需要继承自label-studio指定的类,具体可参考ml_create。 - 创建后端模型
按照ml_create要求创建好的模型文件的路径假设为/Users/kyrol/Desktop/cls.py
,终端中执行以下命令:
label-studio-ml init cls_backend --script /Users/kyrol/Desktop/cls.py
命令执行完毕会在当前文件夹下创建名为 cls_backend
的文件夹, 里面放有 cls.py
, _wsgi.py
等内容。其中,_wsgi.py
是要运行的python 主文件,可以查看里面内容。注意:同时需要把 file.py
的依赖文件放入cls_backend
文件夹。
- 启动后端模型
label-studio-ml start cls_backend
4. 模型配置与训练
- 开启可视化窗口
再开启一个终端窗口,首先,激活conda
对应的环境;然后,cd 到label-studio代码所在路径
;然后,执行以下终端命令,启动可视化的窗口:
label-studio start
- 配置训练数据文件
- 根据不同的任务配置不同的标签,在
settings
中点击Labeling Interface
, 配置项目标签,具体可参考官网。
- 根据不同的任务配置不同的标签,在
- 训练模型
- 创建一个project
- 点击 setting
- 点击 Machine Learning
- 配置模型训练端口,导入模型
训练后的模型会保存在cls_backend
文件夹中以数字命名的文件夹内。