功能强大的开源图像标注工具， AI 不是生僻词，而是触手可及——人人都能轻松使用。 简单的东西不该被商业化绑架，而是应该开源共享，让更多人受益。 让复杂变简单，让 AI 触手可及。 好东西不该藏着掖着，开源才是正道。
作者：夏别
--- ## 📖 软件介绍 **夏别** 是一款功能强大的开源图像标注工具，支持样本导入、标注、数据集导出和YOLO模型管理。 - 🐍 采用 **Python + Flask** 开发，跨平台支持 Windows/Linux/Mac - 🎯 支持多种标注类型，包括**矩形、多边形**等 - 📁 支持导入**图片文件夹、视频文件、LabelMe格式**数据集 - 🎬 支持**视频自动抽帧**，可自定义抽帧间隔 - 📤 支持导出**YOLO格式**数据集，可自定义训练/验证/测试比例 - 🤖 集成**YOLO模型管理**，支持预训练模型下载和自定义模型 - � 简支持**AI自动标注**，单张/批量处理，大幅提升效率 - ⌨️ 支持**自定义快捷键**，完美适配个人操作习惯 - 💡 简洁直观的用户界面，毛玻璃风格设计 ### 💡 AI标注逻辑 > 举例来讲，比如你有一个3000张图片的数据集，你需要先手动标注100张左右训练一个初代模型 `v1.0.pt`，用这个初代模型来进行AI标注，然后进行模型调优。以此类推，即**一边标注一边进行模型调优**，形成良性循环，大幅提升标注效率。 --- ## 📸 功能截图 ### 主界面 支持矩形、多边形标注，标注框可移动和调整大小，左侧图片列表显示标注进度。  ### 添加图片数据集 支持批量导入图片文件夹，快速构建数据集。  ### 视频文件抽帧 支持导入视频文件并自动抽帧，可自定义抽帧间隔（如每30帧保存一帧），快速从视频中提取训练样本。  ### AI自动标注设置 支持选择已安装的YOLO模型，设置置信度阈值，支持单张标注和批量标注。  ### AI标注效果 AI自动识别目标并生成标注框，支持批量处理多张图片。  ### 模型管理 支持下载YOLO预训练模型（n/s/m/l/x），也可手动拖放自定义模型文件。  ### 导出数据集 支持导出YOLO格式数据集，可自定义训练集/验证集/测试集比例，支持选择导出全部或仅已标注图片。  ### 快捷键设置 支持自定义快捷键，适配个人操作习惯，提高标注效率。  --- ## 🎯 主要功能 | 功能模块 | 功能描述 | |---------|---------| | **图像标注** | 支持矩形、多边形等多种标注类型，支持标注框移动和调整大小 | | **图片导入** | 支持批量导入图片文件夹，快速构建数据集 | | **视频抽帧** | 支持导入视频文件自动抽帧，可自定义抽帧间隔 | | **LabelMe导入** | 支持导入LabelMe格式数据集，自动转换标注格式 | | **数据集导出** | 支持导出YOLO格式，可自定义训练/验证/测试比例 | | **标签管理** | 支持添加、编辑、删除标签，自定义标签颜色，数字快捷键选择 | | **YOLO模型管理** | 支持下载预训练模型，手动拖放自定义模型 | | **AI自动标注** | 支持单张和批量AI标注，可设置置信度阈值和批量范围 | | **快捷键支持** | 可自定义快捷键，提高标注效率 | | **实时保存** | 标注数据实时保存，避免数据丢失 | --- ## 📋 版本历史 ### v1.0 (当前版本) > 发布时间：2025/12 **核心功能：** - ✅ 支持图像标注，包括矩形和多边形标注 - ✅ 支持标签管理，自定义标签颜色 - ✅ 支持图片文件夹导入 - ✅ 支持视频文件抽帧，可自定义抽帧间隔 - ✅ 支持LabelMe格式数据集导入 - ✅ 支持YOLO格式数据集导出，可自定义训练/验证/测试比例 - ✅ 集成YOLO模型管理，支持预训练模型下载 - ✅ 支持AI自动标注（单张/批量） - ✅ 支持自定义快捷键 - ✅ 标注数据实时保存 **技术栈：** - 🔧 Python + Flask 架构 - 🔧 毛玻璃风格现代化UI设计 **致谢：** > 本项目基于 [xclabel](https://github.com/beixiaocai/xclabel) v2.1 (MIT协议) 开发，感谢原作者北小菜的开源贡献。 --- ## 🚀 使用说明 ### 1. 安装依赖 ```bash # 创建虚拟环境 python -m venv venv # 激活虚拟环境 # Windows venv\Scripts\activate # Linux/Mac source venv/bin/activate # 安装依赖 pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple ``` ### 2. 启动服务 ```bash python app.py ``` ### 3. 访问服务 在浏览器输入 http://127.0.0.1:5000 即可开始使用 --- ## 📝 标注流程 1. **添加数据集**：点击"添加数据集"按钮，选择图片文件夹、视频文件或LabelMe数据集 2. **创建标签**：在右侧标签管理中添加需要的标签，设置颜色 3. **开始标注**：选择图片，使用矩形/多边形工具进行标注 4. **AI辅助**：使用AI自动标注功能批量处理图片 5. **导出数据集**：标注完成后，导出YOLO格式数据集用于模型训练 --- ## ⌨️ 快捷键说明 | 快捷键 | 功能 | |--------|------| | `Ctrl + S` | 保存标注 | | `Q` | 删除选中框 | | `A` | 上一张图片 | | `D` | 下一张图片 | | `1-9` | 快速选择对应标签 | > 💡 快捷键可在设置中自定义 --- ## 📁 项目结构 ``` 夏别/ ├── app.py # 主应用文件 ├── templates/ │ └── index.html # 主页面模板 ├── static/ │ ├── style.css # 样式文件 │ ├── script.js # 脚本文件 │ ├── images/ # 图片资源目录 │ └── annotations/ # 标注数据存储目录 ├── uploads/ # 上传的图片和视频存储目录 ├── plugins/yolo11/models/ # YOLO模型文件目录 ├── requirements.txt # 依赖列表 └── README.md # 项目说明文档 ``` --- ## 🛠️ 技术栈 | 类别 | 技术 | |------|------| | **后端** | Flask 3.1.2 | | **前端** | HTML, CSS, JavaScript | | **数据存储** | JSON文件存储 | | **图像处理** | OpenCV, PIL | | **AI模型** | Ultralytics YOLO | | **跨域支持** | Flask-CORS | --- ## 📄 授权协议 本项目自有代码使用宽松的 **MIT协议**，在保留版权信息的情况下可以自由应用于各自商用、非商业的项目。 > ⚠️ **免责声明**：由于使用本项目而产生的商业纠纷或侵权行为一概与本项目及开发者无关，请自行承担法律风险。 --- ## 🙏 致谢 本项目基于 [xclabel](https://github.com/beixiaocai/xclabel) v2.1 开发，感谢原作者**北小菜**的开源贡献。 - xclabel Gitee: https://gitee.com/Vanishi/xclabel - xclabel GitHub: https://github.com/beixiaocai/xclabel ---如果觉得这个项目对你有帮助，欢迎 ⭐ Star 支持一下！