CVAT 标注工具实战指南：从本地部署到数据集交付的 6 个步骤

CVAT 标注工具实战指南从本地部署到数据集交付的 6 个步骤【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/cvatCVAT 标注工具Computer Vision Annotation Tool是用于构建高质量视觉数据集的开源数据标注平台支持图像、视频和 3D 点云标注、20 余种导入导出格式、模型自动标注与多用户协作。本文按真实任务流走一遍把服务拉起来 → 完成第一次标注 → 接入模型自动标注 → 拉人分工 → 导出交付数据集并在最后给出 3 个高频故障的处理方法。把本地服务跑起来确认前置条件Docker 与 Composedocker composev2 插件已安装Git 可用内存建议 8GB 以上16GB 更好磁盘预留 20GB 以上用于拉取镜像和存放数据浏览器用 Chrome 或 Edge 等 Chromium 系Firefox 可能有小问题Safari 不支持Windows 环境建议装在 WSL2 Docker Desktop 里 一条命令部署先克隆仓库并启动整个服务栈。首次运行会拉取 cvat/server、cvat/ui、Postgres、Redis 等镜像需要几分钟到十几分钟期间可以用docker compose logs -f观察进度。git clone https://gitcode.com/GitHub_Trending/cvat/cvat cd cvat docker compose up -d这一条命令会拉起 18 个容器API 服务器、8 个专职 worker导入、导出、标注、webhooks、质量报告等、前端、Postgres、两级 Redis、OPA 鉴权、ClickHouse 与 Grafana 分析组件以及负责路由的 Traefik。对外只暴露 8080 端口。再创建管理员账户。自己注册的账号默认没有任何权限必须通过命令行建一个 superuserdocker exec -it cvat_server bash -ic python3 ~/manage.py createsuperuser按提示填用户名和密码后浏览器打开http://localhost:8080登录即可。如果要用 IP 或域名访问启动前执行export CVAT_HOST你的IP或域名。验证服务是否健康登录前可先确认后端各组件状态预期看到 Cache、Database、Disk、Memory、Migrations、OPA 全部 workingdocker exec -t cvat_server python manage.py health_check完成第一次标注创建任务上传数据、定义标签在 Tasks 页面新建任务。先定义标签如 person、car需要细分可加属性再选择数据来源——本地上传、共享目录、远程地址或云存储。图像支持 JPEG、PNG、TIFF 等 Pillow 覆盖的格式视频支持 MP4、AVI、MOV点云支持 .pcd 和 .bin。选对形状工具形状工具按任务类型选择矩形常规目标检测多边形 / 折线不规则轮廓、道路等线性物体椭圆 / 画笔圆形物体与像素级分割骨架人体姿态关键点Tag整帧/整段分类绘制时注意两个行为区别Shape 只标当前帧Track 会把它作为同一对象跨帧跟踪。编辑器还提供 5 种模式Standard、属性标注、单形状、Tag 标注、ReviewReview 模式专门用于检查已有标注。需要 3D 时用 cuboid上传 .pcd/.bin 点云后进入 3D 标注用 cuboid 标注三维目标Top、Side、Front 三个视图同步编辑适合自动驾驶、机器人场景。接入模型做自动标注部署 serverless 组件默认部署不包含自动标注能力。它跑在 Nuclio serverless 框架上把额外的 compose 文件叠加进来即可docker compose -f docker-compose.yml -f components/serverless/docker-compose.serverless.yml up -d仓库内已预置一批模型覆盖检测YOLO v7、RetinaNet、Faster RCNN、分割交互SAM、IOG、姿态HRNet32和跟踪TransT。安装nuctl命令行后按需把模型函数部署上去模型列表见 serverless 模型目录。跑第一次自动标注进入任务 Actions 菜单的 Automatic Annotation选择模型、把模型输出类别映射到你任务里的标签、设置置信度阈值还可以限定 Region of interest 只处理局部区域点 Annotate 后模型结果直接落到画布上你再逐帧修正。拉团队协作与分工建组织、配角色CVAT 有两级角色。全局角色三个Administrator自托管环境的全权管理员、User注册默认角色、Worker只能做标注和验证不能建任务。组织内还有更细的 Organization 角色控制成员对任务、项目的可见范围。自建实例里角色策略以.rego文件维护需要改权限可以调整后再重启详见 用户角色文档。任务拆 job、分配 assignee任务按 segment size 切分成多个 job分给不同标注员。每个 job 有 annotation → validation → completed 三个阶段任务列表可按 assignee、状态过滤随时看到谁做到哪。沟通用评论和 issue 定位具体帧多人交叉标注可以启用 consensus 模式对比合并结果。导出与交付数据集选对导出格式任务 Actions 里的 Export task dataset 支持 20 种行业标准格式常见的有CVAT XML保真度最高COCO JSON、Pascal VOC XMLYOLO / Ultralytics YOLO TXTKITTI、MOT自动驾驶与多目标跟踪可以选只导出标注或标注连同图像一起打包并指定 subsettrain/test/validation。格式实现代码在 cvat/apps/dataset_manager/formats/每行对应一种格式。用 SDK 和 CLI 自动化REST API 覆盖全部功能Python SDK 适合写进数据流水线装完就能用pip install cvat-sdk典型用法批量创建任务、上传数据、轮询标注进度、完成后自动导出仓库的 cvat-sdk/examples 下有任务创建、导入导出、webhook 注册等可直接参考的脚本。3 个高频故障页面打不开或 502现象localhost:8080转圈或 502。原因首次拉镜像和容器启动还没完成或 8080 端口被占用。解决docker compose logs -f等 cvat_server 就绪端口冲突则改docker-compose.yml里 traefik 的ports为新端口:8080。启动时提示磁盘空间不足现象health check 报 disk usage exceeds 90%。原因CVAT 默认要求保留 10% 空闲磁盘。解决清理空间或用环境变量export CVAT_HEALTH_DISK_USAGE_MAX90调整阈值。CVAT_HOST 不生效现象配了CVAT_HOST但外网仍访问不到。原因用sudo跑 compose 时用户环境变量被丢弃。解决改成sudo -E docker compose up -d。下一步行动项把第一个任务用 COCO 格式导出一次确认上传 → 标注 → 导出全链路通了部署 YOLO v7 检测模型对一个任务跑一遍自动标注体会人工修正的工作量变化有队友时建一个组织给对方 Worker 角色把任务拆成 2 个 job 分配出去体验阶段流转【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