# yolo-label **Repository Path**: junzixing/yolo-label ## Basic Information - **Project Name**: yolo-label - **Description**: 基于 Web 的 AI 图片标注平台，支持 YOLO 格式的目标检测和实例分割标注。 - **Primary Language**: Unknown - **License**: MIT - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2026-02-07 - **Last Updated**: 2026-04-04 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README

YOLO-Label

标注 → 训练 → 部署，一个平台全搞定

开源的一站式 YOLO 标注与训练平台，让计算机视觉项目从数据标注到模型产出的全流程在一个界面内闭环。

License: MIT Python React YOLO11 FastAPI

--- ## 为什么选择 YOLO-Label？ 传统工作流需要在标注工具、脚本、训练框架之间反复切换，YOLO-Label 将这一切整合到了一个 Web 平台中： - **标注即训练** — 标注完成后直接在平台内训练 YOLO11 模型，无需导出到其他工具，告别繁琐的格式转换和环境配置 - **AI 提效** — 集成 YOLO11 预标注，自动生成初版标注，人工只需微调，效率提升数倍 - **开箱即用** — Docker 一键部署，支持 GPU 加速，5 分钟即可开始标注 - **团队协作** — 任务包分配、三级权限管理，适合 1~15 人标注团队并行作业 ## 功能一览 | 功能 | 说明 | |------|------| | **目标检测标注** | 矩形框标注，快捷键切换类别，支持 YOLO 格式导入导出 | | **实例分割标注** | 多边形标注，支持顶点增删、右键操作，精细勾勒目标轮廓 | | **AI 预标注** | 上传已有 YOLO11 模型自动为图片生成标注，大幅减少手工工作量 | | **一键训练** | 平台内直接训练 YOLO11，实时查看训练进度与指标曲线 | | **项目导出与导入** | 完整项目打包（图片+类别+标注）一键导出，支持跨实例迁移与备份 | | **权限与协作** | 超级管理员 / 项目管理员 / 标注员三级权限，任务包分配与进度追踪 | | **Docker 部署** | 完全容器化，支持 GPU / CPU / 离线部署，无环境依赖 | ## 使用演示 ### 目标检测标注 ![目标检测标注示例](pictures/目标检测标注示例.gif) ### 实例分割标注 ![实例分割标注示例](pictures/实例分割标注示例.gif) --- ## 快速开始 ```bash git clone https://gitee.com/junzixing/yolo-label.git cd yolo-label # 生产环境部署（交互式引导：Docker/GPU/密码/端口） ./manage.sh prod deploy # 测试环境部署（默认配置，支持热重载） ./manage.sh test deploy ``` ### 系统要求 | 项目 | 最低要求 | |------|---------| | 操作系统 | Ubuntu 22.04 / 24.04 或支持 Docker 的 Linux | | 内存 | 2 GB（训练建议 8 GB+）| | 磁盘 | 4 GB（首次构建约 17 GB）| | GPU（可选）| NVIDIA 显卡 + [Container Toolkit](https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/install-guide.html)，加速训练与预标注 | ### 常用命令 | 命令 | 说明 | |------|------| | `./manage.sh prod deploy` | 首次生产部署 | | `./manage.sh prod redeploy` | 重新部署（可选保留数据） | | `./manage.sh prod restart` | 重启服务 | | `./manage.sh status` | 查看状态 | | `./manage.sh logs [服务名]` | 查看日志 | ### 访问地址 | 服务 | 地址 | |------|------| | 前端界面 | http://localhost:3000 | | API 文档 | http://localhost:8000/docs | - **测试环境**：默认账号 `admin` / `admin123` --- ## 模型训练 YOLO-Label 内置完整的 YOLO11 训练流程，标注完成后无需离开平台即可得到可部署的模型。 ### 训练流程 ``` 选择基础模型 → 配置训练参数 → 后台训练 → 实时监控 → 下载模型 ``` 1. **前置条件**：项目内至少 10 张已标注图片 + 1 个类别 2. **选择基础模型**：支持 YOLO11 全系列（yolo11n / yolo11s / yolo11m / yolo11l / yolo11x），按精度-速度需求选择 3. **配置参数**：训练轮数、批次大小、图片尺寸等，提供合理默认值 4. **后台执行**：训练在 Celery 后台运行，关闭浏览器也不会中断 5. **实时监控**：训练过程中可查看 loss、mAP 等指标变化 6. **下载结果**：训练完成后可下载： - `.pt` 模型文件 — 直接用于推理部署 - 完整训练包（zip）— 包含数据集、模型权重、训练曲线图，方便复现与分享 ### 训练模式 | 项目类型 | 训练模式 | 基础模型示例 | |---------|---------|------------| | 目标检测 | Detection | yolo11n.pt / yolo11s.pt | | 实例分割 | Segmentation | yolo11n-seg.pt / yolo11s-seg.pt | 系统根据项目类型自动选择对应的基础模型，无需手动切换。 ### 离线训练 Docker 容器可能无法访问外网下载基础模型，可提前在宿主机预下载： ```bash ./scripts/download_yolo_models.sh ``` 脚本会自动下载 YOLO11 全系列模型并复制到容器中，训练时优先使用本地缓存。 --- ## AI 预标注 1. 在 **模型管理** 页面上传 YOLO11 模型（`.pt`） 2. 进入项目详情，点击 **AI 预标注**，选择模型和类别映射 3. 任务在后台执行，完成后可查看并修正自动生成的标注 无 GPU 时自动使用 CPU，功能完整，速度较慢。 --- ## 项目导出与导入 ### 导出 在项目详情页点击 **导出** 下拉菜单： - **导出 YOLO 格式（仅已标注）**：仅包含已标注的图片和标注文件，适合直接用于训练或下游任务 - **导出完整项目（可导入）**：包含项目元数据、类别、全部图片及标注，可用于迁移或备份 ### 导入 在 **项目管理** 页点击 **导入项目**，选择之前导出的 zip 文件即可。导入完成后自动跳转到新项目详情页。导入项目需具备项目管理员或超级管理员权限。 --- ## GPU 支持（可选） 安装 [NVIDIA Container Toolkit](https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/install-guide.html) 后，部署时选择启用 GPU，可大幅加速预标注与模型训练。 ```bash # 验证 GPU 是否可用 docker run --rm --gpus all nvidia/cuda:12.1.0-base-ubuntu22.04 nvidia-smi ``` --- ## 离线部署 ```bash # 联网环境打包 ./manage.sh offline package # 目标服务器解压后 tar -xzf yolo-label-offline-*.tar.gz cd yolo-label-offline-* ./deploy.sh ``` --- ## 技术栈 | 层级 | 技术 | |------|------| | 前端 | React 18 + TypeScript + Ant Design + Fabric.js | | 后端 | FastAPI + PostgreSQL 15 + Redis | | AI | YOLO11 (ultralytics) + PyTorch | | 任务队列 | Celery + Redis | | 部署 | Docker + Docker Compose | --- ## 常见问题 | 问题 | 解决方案 | |------|---------| | 端口被占用 | 部署时脚本会自动检测并推荐可用端口 | | GPU 不可用 | 确认 `nvidia-smi` 正常，已安装 NVIDIA Container Toolkit | | 预标注无结果 | 确认 Celery worker 正常运行：`docker logs yolo-label-celery-worker` | | 训练卡在下载模型 | 执行 `./scripts/download_yolo_models.sh` 预下载模型到本地 | --- ## 关注与交流 欢迎关注 **「怒飞垂云」** 公众号，获取最新动态、使用教程和技术分享： 怒飞垂云公众号 --- ## 许可证 [MIT License](./LICENSE) ## 致谢 - [YOLO / ultralytics](https://github.com/ultralytics/ultralytics) - [FastAPI](https://fastapi.tiangolo.com/) - [React](https://reactjs.org/) - [Ant Design](https://ant.design/)