CVAT 数据标注快速上手如何用一张命令从 2D 到 3D 点云搭出完整视觉数据集【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 是一个面向计算机视觉的开源数据标注工具把 2D 图像/视频标注、AI 辅助预标、3D 点云标注和团队协作放在同一个界面里。适合不想外包、想让算法团队直接拿到可训练数据集的场景。一条命令拉起标注服务环境要求只有一行主流 LinuxUbuntu 20.04/22.04 等 Docker 20.10内存 8GB 起步建议 16GB预留约 20GB 磁盘。拉取源码并启动整套服务后端 API、前端界面、PostgreSQL、Redis 一并拉起git clone https://gitcode.com/GitHub_Trending/cvat/cvat cd cvat docker-compose up -d首次启动会跑 2~5 分钟初始化期间数据库迁移自动执行不用手动migrate。浏览器打开http://localhost:8080即可实例没有管理员时进容器创建一个docker exec -it cvat_server bash -ic python3 manage.py createsuperuser代码位置心里有数后端在cvat/apps/engine 是任务/数据核心前端画布逻辑在cvat-core/src/annotations-objects/编排文件是根目录的docker-compose.yml。标注 2D 图像与视频解决的是最基础的诉求把图片序列或视频里的目标用矩形、多边形、折线、点标出来并挂上属性。关键操作创建 Task 上传数据 → 定义标签 → 用画布工具逐帧绘制快捷键见 site/content/en/docs/getting_started/shortcuts.md。视频任务不用逐帧画关键帧上画好目标后走插值interpolationCVAT 自动在中间帧传播轨迹这是cvat-core/里propagate-shapes.ts那套逻辑的入口。容易踩的坑属性模板Attributes要在建 Task 时按标签配好后期补属性字段要逐标签重配视频抽帧率设太低会导致轨迹抖动运动快的场景把抽帧调密。接上自动标注模型AI 预标 人工修正解决的是大批量数据的冷启动问题用预训练模型先把框打出来人只负责修正比纯手工快一个量级。关键操作任务页点Actions → Automatic annotation选模型、对齐模型标签与任务标签、可选阈值和 Region of interest只把选中区域的裁剪图送进模型然后点 Annotate想跑开源检测模型可以先把 serverless 函数部署进实例脚本在serverless/deploy_cpu.shGPU 版是deploy_gpu.sh模型配方分散在serverless/pytorch/、serverless/openvino/等目录。容易踩的坑标签没对齐时模型结果是空白的这一步最容易跳过检测器支持 ROI 时注意它只发裁剪区域给模型坐标会回映到全图不用手动换算预标结果建议开启覆盖前确认避免误清掉已有标注。标注 3D 点云解决的是自动驾驶、工业质检这类任务.pcd/.bin 点云加相机图像一起上传形成 3D Task。关键操作Perspective 主视图里画 3D cuboid旁边的 Top/Side/Front 投影窗用于精确调角度和高度若related_images/目录有配套图像Perspective 窗口还会显示 context image方便对照识别物体类别。源码侧画布在cvat-canvas3d/src/后端点云解析在cvat/apps/engine/media_extractors.py。容易踩的坑context image 不出现基本是related_images/里的图像文件名和点云帧对不上只传了.pcd没带标定文件.txt 标定相机位姿就是缺的投影会漂。把任务派给团队CVAT 的角色是两层全局角色决定能做什么Admin/Manager/Editor/Viewer注册即分配组织角色再约束在哪个组织内生效。自建部署下还能改cvat/apps/*/rules/里的.rego规则微调权限。派发路径很简单Admin 拉人进组织 → Manager 建 Project、拆 Task 并生成 Job 队列 → Editor 领 Job 标注 → Manager 复核后派下一批。多人标同一批数据可以用 consensus 模式合并在cvat/apps/consensus/质检和一致性报告在cvat/apps/quality_control/不用另搭流程。踩坑速查8080 端口被占→ 改docker-compose.yml里前端的端口映射改成18080:8080重启即可。启动后页面一直转圈→docker-compose logs -f看是不是还在跑初始迁移等它走完。Automatic annotation 里没有模型可选→ 实例至少要有一个 detector/reidentifier 类型的模型先部署 serverless 函数或接入 HuggingFace/Roboflow。标注数据丢了/被清→ 预标勾选 Clean old annotations 前确认日常养成定期导出备份的习惯Task 页直接导出 COCO 等格式。服务挂了要恢复→docker-compose down后docker-compose up -d数据在 volume 里不会丢。下一步可以做的 3 件事挑一个检测器模型走通「预标 → 修正 → 导出 CVAT COCO」全链路评估你数据集上 AI 预标的可用率。给项目配一组 Attributes 标签模板和验收标准把质量口径固定下来再铺量。建一个 consensus 任务做双人交叉标注用 quality control 报告看看一致性决定是否需要加第三方复核。【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 CVAT 数据标注快速上手：如何用一张命令从 2D 到 3D 点云搭出完整视觉数据集
CVAT 数据标注快速上手如何用一张命令从 2D 到 3D 点云搭出完整视觉数据集【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 是一个面向计算机视觉的开源数据标注工具把 2D 图像/视频标注、AI 辅助预标、3D 点云标注和团队协作放在同一个界面里。适合不想外包、想让算法团队直接拿到可训练数据集的场景。一条命令拉起标注服务环境要求只有一行主流 LinuxUbuntu 20.04/22.04 等 Docker 20.10内存 8GB 起步建议 16GB预留约 20GB 磁盘。拉取源码并启动整套服务后端 API、前端界面、PostgreSQL、Redis 一并拉起git clone https://gitcode.com/GitHub_Trending/cvat/cvat cd cvat docker-compose up -d首次启动会跑 2~5 分钟初始化期间数据库迁移自动执行不用手动migrate。浏览器打开http://localhost:8080即可实例没有管理员时进容器创建一个docker exec -it cvat_server bash -ic python3 manage.py createsuperuser代码位置心里有数后端在cvat/apps/engine 是任务/数据核心前端画布逻辑在cvat-core/src/annotations-objects/编排文件是根目录的docker-compose.yml。标注 2D 图像与视频解决的是最基础的诉求把图片序列或视频里的目标用矩形、多边形、折线、点标出来并挂上属性。关键操作创建 Task 上传数据 → 定义标签 → 用画布工具逐帧绘制快捷键见 site/content/en/docs/getting_started/shortcuts.md。视频任务不用逐帧画关键帧上画好目标后走插值interpolationCVAT 自动在中间帧传播轨迹这是cvat-core/里propagate-shapes.ts那套逻辑的入口。容易踩的坑属性模板Attributes要在建 Task 时按标签配好后期补属性字段要逐标签重配视频抽帧率设太低会导致轨迹抖动运动快的场景把抽帧调密。接上自动标注模型AI 预标 人工修正解决的是大批量数据的冷启动问题用预训练模型先把框打出来人只负责修正比纯手工快一个量级。关键操作任务页点Actions → Automatic annotation选模型、对齐模型标签与任务标签、可选阈值和 Region of interest只把选中区域的裁剪图送进模型然后点 Annotate想跑开源检测模型可以先把 serverless 函数部署进实例脚本在serverless/deploy_cpu.shGPU 版是deploy_gpu.sh模型配方分散在serverless/pytorch/、serverless/openvino/等目录。容易踩的坑标签没对齐时模型结果是空白的这一步最容易跳过检测器支持 ROI 时注意它只发裁剪区域给模型坐标会回映到全图不用手动换算预标结果建议开启覆盖前确认避免误清掉已有标注。标注 3D 点云解决的是自动驾驶、工业质检这类任务.pcd/.bin 点云加相机图像一起上传形成 3D Task。关键操作Perspective 主视图里画 3D cuboid旁边的 Top/Side/Front 投影窗用于精确调角度和高度若related_images/目录有配套图像Perspective 窗口还会显示 context image方便对照识别物体类别。源码侧画布在cvat-canvas3d/src/后端点云解析在cvat/apps/engine/media_extractors.py。容易踩的坑context image 不出现基本是related_images/里的图像文件名和点云帧对不上只传了.pcd没带标定文件.txt 标定相机位姿就是缺的投影会漂。把任务派给团队CVAT 的角色是两层全局角色决定能做什么Admin/Manager/Editor/Viewer注册即分配组织角色再约束在哪个组织内生效。自建部署下还能改cvat/apps/*/rules/里的.rego规则微调权限。派发路径很简单Admin 拉人进组织 → Manager 建 Project、拆 Task 并生成 Job 队列 → Editor 领 Job 标注 → Manager 复核后派下一批。多人标同一批数据可以用 consensus 模式合并在cvat/apps/consensus/质检和一致性报告在cvat/apps/quality_control/不用另搭流程。踩坑速查8080 端口被占→ 改docker-compose.yml里前端的端口映射改成18080:8080重启即可。启动后页面一直转圈→docker-compose logs -f看是不是还在跑初始迁移等它走完。Automatic annotation 里没有模型可选→ 实例至少要有一个 detector/reidentifier 类型的模型先部署 serverless 函数或接入 HuggingFace/Roboflow。标注数据丢了/被清→ 预标勾选 Clean old annotations 前确认日常养成定期导出备份的习惯Task 页直接导出 COCO 等格式。服务挂了要恢复→docker-compose down后docker-compose up -d数据在 volume 里不会丢。下一步可以做的 3 件事挑一个检测器模型走通「预标 → 修正 → 导出 CVAT COCO」全链路评估你数据集上 AI 预标的可用率。给项目配一组 Attributes 标签模板和验收标准把质量口径固定下来再铺量。建一个 consensus 任务做双人交叉标注用 quality control 报告看看一致性决定是否需要加第三方复核。【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