AnyLabeling 自动数据标注实战指南：从安装配置到多格式转换全流程解析

1次阅读

没有评论

共计 2481 个字符，预计需要花费 7 分钟才能阅读完成。

在计算机视觉项目中，数据标注是模型训练前的关键步骤。传统工具如 LabelImg 虽然经典，但存在几个明显痛点：

操作效率低：纯手动标注耗时，平均每个目标需要 5 -10 秒
功能单一：仅支持矩形框标注，缺少多边形 / 关键点等高级功能
格式兼容差：导出格式有限，需额外脚本进行转换
无 AI 辅助：完全依赖人工，无法利用预训练模型加速

而 AnyLabeling 作为新一代工具，内置 SAM 等 AI 模型，可实现：

智能预标注（减少 50% 以上手动操作）
支持多种标注类型（矩形 / 多边形 / 折线 / 关键点）
一键多格式导出（原生支持 COCO/YOLO/VOC）

创建并激活环境：

conda create -n anylabeling python=3.8
conda activate anylabeling

安装依赖库：
```
pip install anylabeling onnxruntime
```
启动应用：
```
anylabeling
```

pip install anylabeling --user
anylabeling

常见问题：若遇到 PyQt5 报错，可尝试：
pip uninstall pyqt5
pip install pyqt5==5.15.7

– 设置项目名称和存储路径
– 选择基础标注类型（建议选 ” 自动检测 ” 模式）

点击 ”AI 辅助 ” 按钮启用 SAM 模型
在目标区域画矩形框作为提示
系统自动生成精确的多边形掩膜

# 标注结果示例
{
  "shape_type": "polygon",
  "points": [[x1,y1], [x2,y2], ...],
  "label": "car"
}

快捷键：
Ctrl+Z 撤销操作
Space 切换选中状态
Del 删除当前标注
精度优化：
对自动结果不满意时，可拖动多边形顶点微调

import json
import os

def coco2yolo(coco_path, output_dir):
    try:
        with open(coco_path) as f:
            data = json.load(f)

        # 创建类别映射
        cat_map = {cat['id']: cat['name'] for cat in data['categories']}

        for img in data['images']:
            img_id = img['id']
            img_w = img['width']
            img_h = img['height']

            anns = [a for a in data['annotations'] if a['image_id'] == img_id]
            if not anns:
                continue

            txt_path = os.path.join(output_dir, f"{img['file_name'].split('.')[0]}.txt")
            with open(txt_path, 'w') as f:
                for ann in anns:
                    # 转换 bbox 格式 [x,y,w,h] -> [x_center,y_center,w,h] (归一化)
                    x, y, w, h = ann['bbox']
                    x_center = (x + w/2) / img_w
                    y_center = (y + h/2) / img_h
                    w /= img_w
                    h /= img_h

                    class_id = ann['category_id']
                    f.write(f"{class_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}\n")
    except Exception as e:
        print(f"转换失败: {str(e)}")

# 关键步骤：处理 VOC XML 中的 object 节点
for obj in root.findall('object'):
    bbox = obj.find('bndbox')
    xmin = float(bbox.find('xmin').text)
    ymin = float(bbox.find('ymin').text)
    xmax = float(bbox.find('xmax').text)
    ymax = float(bbox.find('ymax').text)

    annotations.append({
        "id": ann_id,
        "image_id": img_id,
        "category_id": cat_map[obj.find('name').text],
        "bbox": [xmin, ymin, xmax-xmin, ymax-ymin],
        "area": (xmax-xmin)*(ymax-ymin),
        "iscrowd": 0
    })
    ann_id += 1

目录监控模式：

anylabeling --input-dir ./images --output-dir ./labels

并行标注：
将数据集按类别拆分
多人同时标注不同子集

# 在代码中启用 ONNX GPU 推理
import onnxruntime as ort

providers = ['CUDAExecutionProvider'] \
    if ort.get_device() == 'GPU' else ['CPUExecutionProvider']
session = ort.InferenceSession("sam_onnx_model.onnx", providers=providers)