CVAT部署：从零到交付标注数据的完整流水线五步走

CVAT部署从零到交付标注数据的完整流水线五步走【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假设你手里有 5000 张街景图需要在一周内交付一份 COCO 格式的目标检测数据集。这篇文章带你完成 CVAT部署 的全流程用 Docker Compose 拉起自托管服务创建带标签定义的标注任务用自动标注生成第一稿再设置质检阈值、导出数据集。所有步骤在一台装了 Docker 的机器上就能完成不需要任何云服务。✅ 一条流水线的任务清单任务1用 Docker Compose 拉起最小可用环境并创建管理员账户任务2创建标注任务定义标签与属性任务3用自动标注预填充标注人工修正任务4设置质检阈值复核标注结果任务5用 Analytics 看板查看进度并导出数据集服务栈定义在 docker-compose.yml 里PostgreSQL 存数据两个 Redis 实例分别负责内存缓存和磁盘缓存ClickHouse 记录标注事件OPA 管权限策略Nginx 做入口网关。一个 compose 文件把整套东西拉起来这也是后面所有任务能跑的前提。任务1用 Docker Compose 拉起最小可用环境先把仓库克隆到本机进入项目目录git clone https://gitcode.com/GitHub_Trending/cvat/cvat cd cvat执行后你会在本地得到完整的 CVAT 源码目录。接着后台启动所有容器docker compose up -d首次运行要下载数 GB 镜像耗时几分钟执行完用docker compose ps能看到各组件都是 running 状态。再确认后端 API 已就绪curl -s http://localhost:8080/api/version返回一段带版本号的 JSON说明服务可用。最后创建管理员账户按提示输入用户名、邮箱、密码docker exec -it cvat_server bash -ic python manage.py createsuperuser看到 Superuser created successfully 后访问http://localhost:8080登录即可。后续调整并发 worker 数、云存储等运行时行为通过环境变量或 cvat/settings/ 下的配置完成无需改代码。任务2创建标注任务定义标签与属性登录后点击 Create new task上传 5000 张图片数据类型选 image。CVAT 会把这个大任务拆成多个 Job每个 Job 负责一段连续帧方便分给不同标注员独立作业。上图的任务详情页里标签区已经定义了 person、bus、car 三个类下方 Jobs 列表中每个 Job 都能单独指定 Assignee并把 Stage 设为 annotation 或 validation、State 设为 in progress。开始画框前先定义标签集点 Add label给每个标签命名并选颜色还可以为标签挂上遮挡程度可见性这类属性。你在这里怎么定义导出的数据集字段就长什么样所以标签和属性要按下游训练框架的格式要求来定。颜色可以用 hex 值或预设色卡指定。颜色会直接显示在标注画布上密集场景里一眼就能区分不同类别的对象。任务3用自动标注预填充人工修正5000 张图纯手画框不现实。回到任务详情页的 Issue Tracker点 From model选一个内置检测模型仓库默认集成了 YOLO 系列模型做两件事把模型输出的类别映射到你的任务标签并设一个置信度阈值。自动标注对话框里除了模型选择和阈值Region of interest 还能限制只推理画面上某个矩形区域对只关心特定区域的素材能省不少时间。点 Annotate 后等几分钟第一稿框会铺满画布。此时你的工作变成修正拖动框边调整大小、删掉误检、补上漏检改好的框还能通过插值传播到相邻帧减少重复劳动。任务4设置质检阈值复核标注结果单个人标完就交付风险在于错误没人发现。CVAT 的 Quality Control 模块可以把某个 Job 的标注结果与基准结果逐项比对按你选的指标算出分数。在 Quality control 设置里Target metric 选 Accuracy 等指标阈值设为 70还可以勾选 Compare attributes 把属性也纳入比较。低于阈值的 Job 会被标记出来重新处理不需要你逐帧翻找问题。如果团队规模更大还可以用 Consensus 模式让多人重复标注同一 Job 并自动合并高一致性的结果。任务5查看进度导出数据集标注员干活的同时Analytics 面板在持续统计事件存在 ClickHouse 里入口在左侧菜单的 Analytics。Summary 页直接给出总对象数、累计标注时长和平均标注速度按标签、按时间段的分布也有图表哪个环节掉队了一目了然。质检通过后在任务页点导出按钮选 COCO、VOC 或 Mask R-CNN 等格式勾选要导出的形状类型和属性字段导出任务在后台运行完成后下载 ZIP 即包含标注文件与原始数据。想在自己的训练脚本里拉取数据可以直接用 cvat-sdk/ 下的官方 SDK。数据集导出完成后建议下一步拿一个小验证集先训练你的检测模型等指标达标后把模型挂回 From model 给下一批数据做预填充——标注、训练、再标注的循环就此跑通。【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