X-AnyLabeling 数据标注工具快速上手指南：AI 预标注 + 手动修正
【免费下载链接】X-AnyLabelingX-AnyLabeling: A lightweight, efficient, and unified cross-platform desktop application for annotating text, image, video, and multimodal data, combining versatile built-in tools with state-of-the-art AI models and flexible multi-format export.项目地址: https://gitcode.com/gh_mirrors/xa/X-AnyLabeling
人工框一张图要几分钟，十万张图呢？X-AnyLabeling 是一个轻量、跨平台的 AI 辅助数据标注工具，内置 YOLO、SAM、Grounding-DINO 等模型：先让 AI 生成预标注，你再人工修正，图形化界面即可完成目标检测、分割、姿态、OCR 等多种标注任务。
装好环境，一条命令启动
要求 Python 3.11 ~ 3.13（推荐 3.12），Windows、Linux、macOS 通用。
python -m venv label_env pip install "x-anylabeling-cvhub[cpu]" # GPU 环境换成 [gpu]需要源码或高级功能时，也可以克隆仓库安装：
git clone https://gitcode.com/gh_mirrors/xa/X-AnyLabeling cd X-AnyLabeling pip install -e ".[cpu]"验证与启动：
xanylabeling checks # 查看系统与版本信息 xanylabeling # 启动图形界面GPU 版需让 CUDA、cuDNN 与 onnxruntime 版本配套，装不上时会回退 CPU。
先看清它能标什么
| 标注类型 | 适用场景 | 内置模型示例 |
|---|---|---|
| 矩形目标检测 | 通用目标数据集生产 | YOLO 系列、RT-DETR、RF-DETR |
| 旋转框（OBB） | 航拍、遥感、密集目标 | YOLO-OBB、RT-DETRv2-OBB |
| 语义/实例分割 | 医学影像、自动驾驶 | SAM、MobileSAM、EdgeSAM |
| 姿态与人脸关键点 | 动作识别、人脸分析 | RTMPose、DWPose、SCRFD |
| OCR 文字识别 | 文本检测与识别 | PaddleOCR |
| 图像描述/打标 | 多模态数据集 | Florence2、Rex-Omni |
走通一个目标检测标注任务
以最常见的"检测框预标注 + 人工修正"为例，6 步走完。
1. 打开图片目录。按Ctrl+U选择图片文件夹，多级目录也会被全部导入，右下角文件列表展示待标注队列。
2. 选择检测模型。在左侧工具栏选择 AI 预标注模型，YOLO 系列速度最快，适合起步。
3. 触发 AI 预标注。按Ctrl+A运行模型，AI 生成的框会直接落在画布上，每个框都带置信度分数。
4. 人工修正。Ctrl+J切到编辑模式：Delete删误检框，拖角点调位置；漏检目标按R补一个矩形框，在标签弹窗里填好类别。误框较多时也可以右键对象选"隐藏"，先看再清。
5. 保存并推进下一张。Ctrl+S保存，JSON 标注默认写到图片同目录；按D下一张、A上一张继续。
6. 需要其他格式就批量转换。命令行执行xanylabeling convert列出支持的转换任务，一条命令把结果转成你训练框架需要的格式。
快捷键与批量操作
高频操作记住这几个就够：
D/A：下一张 / 上一张R/O/P：矩形框 / 旋转框 / 多边形Ctrl+J：绘制模式与编辑模式互切Ctrl+S/Ctrl+Z：保存 / 撤销Ctrl+G：查看当前任务的标注统计Alt+L：标签管理器，批量重命名、改颜色、显隐类别
预标注和批量处理还有几个值得先配置的入口：
- 数字快捷键管理器（
Alt+D）：把 0~9 数字键绑到常用绘制模式和默认标签，按一个数字键直接进入绘制状态并带默认标签。 - 批量标注（
Ctrl+B）：把当前图片的标注套用到队列中的其他图片，同场景图片效果最好。 - 对象管理器（
Alt+S）：批量新增、删除、移除指定对象，适合统一清理。 - 标注统计（
Ctrl+G）：按类别查看标注数量，交付前核对各类样本数。
高频问题与解法
现象：第一次运行自动标注很慢。原因：模型权重首次自动下载。解法：保持网络畅通；提前把 ONNX 模型放进模型目录，或换小规格模型（如
yolo26s）。现象：提示找不到 GPU，或 GPU 加载报错。原因：CUDA、cuDNN、onnxruntime 版本不配套。解法：按文档表格对齐版本后重装
onnxruntime-gpu，或临时用[cpu]环境顶替。现象：YOLO26 预标注出现多个重叠框。原因：未启用 NMS 的去重处理。解法：按文档说明使用带 NMS 的模型配置后重新预标注。
现象：超大图片无法打开。原因：Qt 默认 256 MB 图像分配上限。解法：用启动参数
--qt-image-allocation-limit调高上限，或 0 表示不限制。现象：模型输出的类名是英文，和项目类别对不上。原因：预定义标签未加载，或类别定义不同。解法：准备一个逐行列出类名的
.txt文件，从Upload菜单上传标签文件（当前会话有效），或写入配置文件（永久有效）。
更多条目可查 docs/zh_cn/faq.md。
适合谁，往哪走
如果你需要快速产出检测、分割、姿态类数据集——无论是研究同学还是数据工程师——这套"AI 预标注 + 人工修正"的流程可以直接套用。想接入自己训练的模型，或了解完整操作细节，从 docs/zh_cn/custom_model.md 和 docs/zh_cn/model_zoo.md 继续深入即可。
【免费下载链接】X-AnyLabelingX-AnyLabeling: A lightweight, efficient, and unified cross-platform desktop application for annotating text, image, video, and multimodal data, combining versatile built-in tools with state-of-the-art AI models and flexible multi-format export.项目地址: https://gitcode.com/gh_mirrors/xa/X-AnyLabeling
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
