一、工具简介X-AnyLabeling是一款开源、轻量化、支持 AI 自动辅助标注的计算机视觉标注工具。基于 AnyLabeling 二次开发内置YOLO / SAM / 关键点 / 分割等模型支持目标检测、语义分割、实例分割、关键点标注完美替代 LabelImg、LabelMe是目前性价比最高的 CV 数据标注工具。优势亮点✅ 支持全自动 AI 辅助标注大幅提升标注效率✅ 三种安装方式免环境包 / Pip 安装 / 源码部署✅ 支持主流数据集格式COCO、VOC、YOLO、JSON、MASK 等✅ 开源免费、无水印、无标注数量限制二、安装方式总览按需选择安装方式适用人群优点缺点预编译包EXE/DMG/AppImage新手、快速使用、不想配环境零配置、开箱即用、不污染本地环境版本更新略慢无法二次开发Pip 一键安装日常使用、需要快速更新版本命令简洁、轻量、支持 CPU/GPU 切换需要基础 Python 环境源码安装开发者、二次开发、自定义功能可改源码、可本地打包、功能最全部署步骤稍多三、方式一预编译包安装新手首选核心特点无需 Python、无需依赖、解压即开1. 下载地址官方 Releases 发布页Releases · CVHub520/X-AnyLabeling · GitHub2. 各系统安装运行Windows下载X-AnyLabeling-xxx-win64.zip操作解压压缩包双击X-AnyLabeling.exe直接启动macOS下载X-AnyLabeling-xxx-mac.dmg操作挂载镜像将软件拖入应用程序文件夹打开即可Linux下载X-AnyLabeling-xxx-linux.AppImage授权并运行chmod x X-AnyLabeling-xxx-linux.AppImage ./X-AnyLabeling-xxx-linux.AppImage注意首次启动会自动下载 YOLO 预训练模型请保持网络通畅国内下载慢可手动下载离线模型放入本地 models 目录。四、方式二Pip 一键安装轻量化推荐1. 环境要求Python3.10 ~ 3.12推荐 3.10推荐使用 Conda 虚拟环境隔离依赖2. 新建虚拟环境可选但推荐# 创建环境 conda create -n xanylabel python3.10 -y # 激活环境 conda activate xanylabel3. 安装命令CPU 通用版全平台通用pip install x-anylabeling-cvhub[cpu] -i https://pypi.tuna.tsinghua.edu.cn/simpleGPU 加速版NVIDIA 显卡# CUDA 12.x 新版显卡 pip install x-anylabeling-cvhub[gpu] # CUDA 11.x 旧版显卡 pip install x-anylabeling-cvhub[gpu-cu11]4. 启动软件xanylabeling五、方式三源码安装开发者/二次开发首选1. 克隆源码git clone https://github.com/CVHub520/X-AnyLabeling.git cd X-AnyLabeling2. 配置虚拟环境conda create -n xanylabel-dev python3.10 -y conda activate xanylabel-dev3. 安装对应依赖依赖文件适用场景requirements.txtWindows/Linux CPU 日常运行requirements-dev.txtCPU 环境 支持打包 EXErequirements-gpu.txtGPU 运行环境requirements-gpu-dev.txtGPU 环境 打包功能requirements-macos.txtmacOS 专属环境仅CPU安装示例普通CPU运行pip install -r requirements.txt4. 源码启动# 方式1 python anylabeling/app.py # 方式2全局命令 xanylabeling六、常见报错与解决方案1. Linux 启动报错缺少 xcb 依赖sudo apt install libxcb-xinerama0 libxcb-cursor02. 启动后 AI 模型下载缓慢/失败解决方案手动下载官方预训练 ONNX 模型放置软件models目录修改配置文件替换国内镜像源加速下载3. GPU 不生效、依旧使用 CPU 推理xanylabeling checks核对 CUDA、onnxruntime 版本匹配重新安装对应 GPU 版本依赖。4. macOS 闪退问题macOS 仅支持 CPU 运行必须安装专属依赖pip install -r requirements-macos.txt七、总结推荐普通用户/快速标注优先选择预编译包零配置开箱即用Python 用户/需要更新迭代选择Pip 安装简洁轻便二次开发/自定义功能/本地打包选择源码安装功能最全工具地址GitHub - CVHub520/X-AnyLabeling: Effortless data labeling with AI support from Segment Anything and other awesome models. · GitHub
X-AnyLabeling 全平台保姆级安装教程（Windows / Linux / macOS）
一、工具简介X-AnyLabeling是一款开源、轻量化、支持 AI 自动辅助标注的计算机视觉标注工具。基于 AnyLabeling 二次开发内置YOLO / SAM / 关键点 / 分割等模型支持目标检测、语义分割、实例分割、关键点标注完美替代 LabelImg、LabelMe是目前性价比最高的 CV 数据标注工具。优势亮点✅ 支持全自动 AI 辅助标注大幅提升标注效率✅ 三种安装方式免环境包 / Pip 安装 / 源码部署✅ 支持主流数据集格式COCO、VOC、YOLO、JSON、MASK 等✅ 开源免费、无水印、无标注数量限制二、安装方式总览按需选择安装方式适用人群优点缺点预编译包EXE/DMG/AppImage新手、快速使用、不想配环境零配置、开箱即用、不污染本地环境版本更新略慢无法二次开发Pip 一键安装日常使用、需要快速更新版本命令简洁、轻量、支持 CPU/GPU 切换需要基础 Python 环境源码安装开发者、二次开发、自定义功能可改源码、可本地打包、功能最全部署步骤稍多三、方式一预编译包安装新手首选核心特点无需 Python、无需依赖、解压即开1. 下载地址官方 Releases 发布页Releases · CVHub520/X-AnyLabeling · GitHub2. 各系统安装运行Windows下载X-AnyLabeling-xxx-win64.zip操作解压压缩包双击X-AnyLabeling.exe直接启动macOS下载X-AnyLabeling-xxx-mac.dmg操作挂载镜像将软件拖入应用程序文件夹打开即可Linux下载X-AnyLabeling-xxx-linux.AppImage授权并运行chmod x X-AnyLabeling-xxx-linux.AppImage ./X-AnyLabeling-xxx-linux.AppImage注意首次启动会自动下载 YOLO 预训练模型请保持网络通畅国内下载慢可手动下载离线模型放入本地 models 目录。四、方式二Pip 一键安装轻量化推荐1. 环境要求Python3.10 ~ 3.12推荐 3.10推荐使用 Conda 虚拟环境隔离依赖2. 新建虚拟环境可选但推荐# 创建环境 conda create -n xanylabel python3.10 -y # 激活环境 conda activate xanylabel3. 安装命令CPU 通用版全平台通用pip install x-anylabeling-cvhub[cpu] -i https://pypi.tuna.tsinghua.edu.cn/simpleGPU 加速版NVIDIA 显卡# CUDA 12.x 新版显卡 pip install x-anylabeling-cvhub[gpu] # CUDA 11.x 旧版显卡 pip install x-anylabeling-cvhub[gpu-cu11]4. 启动软件xanylabeling五、方式三源码安装开发者/二次开发首选1. 克隆源码git clone https://github.com/CVHub520/X-AnyLabeling.git cd X-AnyLabeling2. 配置虚拟环境conda create -n xanylabel-dev python3.10 -y conda activate xanylabel-dev3. 安装对应依赖依赖文件适用场景requirements.txtWindows/Linux CPU 日常运行requirements-dev.txtCPU 环境 支持打包 EXErequirements-gpu.txtGPU 运行环境requirements-gpu-dev.txtGPU 环境 打包功能requirements-macos.txtmacOS 专属环境仅CPU安装示例普通CPU运行pip install -r requirements.txt4. 源码启动# 方式1 python anylabeling/app.py # 方式2全局命令 xanylabeling六、常见报错与解决方案1. Linux 启动报错缺少 xcb 依赖sudo apt install libxcb-xinerama0 libxcb-cursor02. 启动后 AI 模型下载缓慢/失败解决方案手动下载官方预训练 ONNX 模型放置软件models目录修改配置文件替换国内镜像源加速下载3. GPU 不生效、依旧使用 CPU 推理xanylabeling checks核对 CUDA、onnxruntime 版本匹配重新安装对应 GPU 版本依赖。4. macOS 闪退问题macOS 仅支持 CPU 运行必须安装专属依赖pip install -r requirements-macos.txt七、总结推荐普通用户/快速标注优先选择预编译包零配置开箱即用Python 用户/需要更新迭代选择Pip 安装简洁轻便二次开发/自定义功能/本地打包选择源码安装功能最全工具地址GitHub - CVHub520/X-AnyLabeling: Effortless data labeling with AI support from Segment Anything and other awesome models. · GitHub
