xclabel作者北小菜作者主页https://www.yuturuishi.comgitee开源地址https://gitee.com/Vanishi/xclabelgithub开源地址https://github.com/beixiaocai/xclabel软件介绍xclabel是一款开源图像标注与模型训练工具采用PythonFlask开发跨平台支持Windows/Linux/Mac。软件截图核心功能多种标注类型矩形、多边形等支持图片、视频、LabelMe数据集导入AI自动标注支持大模型LMStudio、vLLM、ollama、阿里云对图片和视频自动标注YOLO模型训练全流程数据集上传、模型训练、断点恢复、模型测试、参数查看与下载YOLO格式数据集导出可自定义训练/验证/测试比例内置文件管理系统支持文件浏览、上传、下载全部静态资源本地化支持离线部署使用说明安装依赖python -m venv venv # Windows venv\Scripts\activate # Linux/Mac source venv/bin/activate pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple # 如需训练功能 # 安装yolo11的ultralytics依赖库 pip install ultralytics8.3.1 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install numpy1.26.4 -i https://pypi.tuna.tsinghua.edu.cn/simple # 安装cpu版torch依赖库 pip install torch2.1.2 torchvision0.16.2 -i https://pypi.tuna.tsinghua.edu.cn/simple # 安装cuda版torch依赖库 pip install torch2.1.0 torchaudio2.1.0 torchvision0.16.0 --index-url https://download.pytorch.org/whl/cu121启动服务python app.py --host 0.0.0.0 --port 9924访问服务浏览器打开 http://127.0.0.1:9924模型训练访问 http://127.0.0.1:9924/training 上传数据集→选择模型→开始训练→测试/下载模型项目结构xclabel/ ├── app.py # 主应用文件 ├── AiUtils.py # AI自动标注工具类 ├── requirements.txt # 依赖列表 ├── static/ # 静态资源图标、样式、脚本、Socket.IO本地库 ├── templates/ # 页面模板 │ ├── index.html # 标注主页 │ ├── training.html # 训练面板 │ ├── ai_config.html # AI配置 │ └── file_manager.html # 文件管理 ├── pre_models/ # 预训练模型.pt文件 ├── uploads/ # 上传存储运行时自动创建 │ ├── annotations/ # 标注数据 │ ├── config/ # 配置文件 │ ├── samples/ # 标注图片 │ └── training_datasets/ # 训练数据集 ├── runs/ # 训练输出运行时自动创建 └── tmp/ # 训练临时文件运行时自动创建快捷键CtrlS保存标注CtrlShiftD清除标注技术栈Flask Flask-SocketIO | HTML/CSS/JS | OpenCV/PIL | Ultralytics YOLO11 | Socket.IO版本历史查看完整更新记录CHANGELOG.md授权协议本项目自有代码使用MIT协议保留版权信息即可自由使用。使用第三方库请遵循其各自授权协议。
xclabel是一款开源图像标注与模型训练工具，采用Python+Flask开发，跨平台支持Windows/Linux/Mac
xclabel作者北小菜作者主页https://www.yuturuishi.comgitee开源地址https://gitee.com/Vanishi/xclabelgithub开源地址https://github.com/beixiaocai/xclabel软件介绍xclabel是一款开源图像标注与模型训练工具采用PythonFlask开发跨平台支持Windows/Linux/Mac。软件截图核心功能多种标注类型矩形、多边形等支持图片、视频、LabelMe数据集导入AI自动标注支持大模型LMStudio、vLLM、ollama、阿里云对图片和视频自动标注YOLO模型训练全流程数据集上传、模型训练、断点恢复、模型测试、参数查看与下载YOLO格式数据集导出可自定义训练/验证/测试比例内置文件管理系统支持文件浏览、上传、下载全部静态资源本地化支持离线部署使用说明安装依赖python -m venv venv # Windows venv\Scripts\activate # Linux/Mac source venv/bin/activate pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple # 如需训练功能 # 安装yolo11的ultralytics依赖库 pip install ultralytics8.3.1 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install numpy1.26.4 -i https://pypi.tuna.tsinghua.edu.cn/simple # 安装cpu版torch依赖库 pip install torch2.1.2 torchvision0.16.2 -i https://pypi.tuna.tsinghua.edu.cn/simple # 安装cuda版torch依赖库 pip install torch2.1.0 torchaudio2.1.0 torchvision0.16.0 --index-url https://download.pytorch.org/whl/cu121启动服务python app.py --host 0.0.0.0 --port 9924访问服务浏览器打开 http://127.0.0.1:9924模型训练访问 http://127.0.0.1:9924/training 上传数据集→选择模型→开始训练→测试/下载模型项目结构xclabel/ ├── app.py # 主应用文件 ├── AiUtils.py # AI自动标注工具类 ├── requirements.txt # 依赖列表 ├── static/ # 静态资源图标、样式、脚本、Socket.IO本地库 ├── templates/ # 页面模板 │ ├── index.html # 标注主页 │ ├── training.html # 训练面板 │ ├── ai_config.html # AI配置 │ └── file_manager.html # 文件管理 ├── pre_models/ # 预训练模型.pt文件 ├── uploads/ # 上传存储运行时自动创建 │ ├── annotations/ # 标注数据 │ ├── config/ # 配置文件 │ ├── samples/ # 标注图片 │ └── training_datasets/ # 训练数据集 ├── runs/ # 训练输出运行时自动创建 └── tmp/ # 训练临时文件运行时自动创建快捷键CtrlS保存标注CtrlShiftD清除标注技术栈Flask Flask-SocketIO | HTML/CSS/JS | OpenCV/PIL | Ultralytics YOLO11 | Socket.IO版本历史查看完整更新记录CHANGELOG.md授权协议本项目自有代码使用MIT协议保留版权信息即可自由使用。使用第三方库请遵循其各自授权协议。
