Label-studio-ml-backend 和YOLOV8 YOLO11自动化标注,目标检测,实例分割,图像分类,关键点估计,视频跟踪

这里写目录标题

    • [1.目标检测 Detection](#1.目标检测 Detection)
    • [2.实例分割 segment](#2.实例分割 segment)
    • [3.图像分类 classify](#3.图像分类 classify)
    • [4.关键点估计 Keypoint detection](#4.关键点估计 Keypoint detection)
    • [5.视频帧检测 video detect](#5.视频帧检测 video detect)
    • [6.视频帧分类 video classify](#6.视频帧分类 video classify)
    • [7.旋转目标检测 obb detect](#7.旋转目标检测 obb detect)
    • 8.替换yolo11模型
  • 给我点个赞吧,谢谢了

笔记本 华为matebook14s,windows系统,cpu

1.装Label-studio

2.装Label-studio-ml-backend

3.装ultralytics

4.装docker desktop 并点击启动

配置好docker-composel.yml文件32 33行

32表示从docker容器里访问容器外的网址,label-studio默认端口8080

33表示label-studio API KEY ,获取方式

复制代码
  - LABEL_STUDIO_URL=http://host.docker.internal:8080
 - LABEL_STUDIO_API_KEY=d3ece86209a6a0ca850d468d6c42fa3d7d78be47

点击label-studio头像-》点击Account & settings-》复制access token

然后拉取镜像,第一次耗时一个小时左右。记得科学上网呦

复制代码
cd label_studio_ml\examples\yolo\
docker-compose up --build

结果如下就表示启动docker成功:

在label-studio 后台model处导入label-studio-ml-backend默认网址:

http://localhost:9090

如果连接成功,会有测试通过,显示connected,否则报错

自行修改参考docker-compose.yml第46行

复制代码
    ports:
      - "9090:9090"

1.目标检测 Detection

导入示例标注配置:

复制代码
<View>
  <Image name="image" value="$image"/>
  <RectangleLabels name="label" toName="image" model_score_threshold="0.25" opacity="0.1">
    <Label value="Person" background="red"/>
    <Label value="Car" background="blue"/>
  </RectangleLabels>
</View>

最后成功

2.实例分割 segment

替换分割模型,

只需要在标签处修改:

复制代码
<View>
  <Image name="image" value="$image"/>
  <PolygonLabels name="label" toName="image" model_score_threshold="0.25" opacity="0.1">
    <Label value="Car" background="blue"/>
    <Label value="Person" background="red"/>
  </PolygonLabels>
</View>

然后删除目标检测的预测框就可以:

选中图片-》点击左上角 6 Tasks-》Delete Predictions

然后点击随便一张图片,重新预测结果

3.图像分类 classify

替换图像分类的标签

复制代码
<View>
  <Image name="image" value="$image"/>
  <Choices name="choice" toName="image" model_score_threshold="0.25">
    <Choice value="Airplane" predicted_values="aircraft_carrier,airliner,airship,warplane"/>
    <Choice value="Car" predicted_values="limousine,minivan,jeep,sports_car,passenger_car,police_van"/>
  </Choices>
</View>

结果显示在左下角的分类里。

4.关键点估计 Keypoint detection

替换标签:

复制代码
<View>
  <RectangleLabels name="keypoints_bbox" toName="image" model_skip="true">
    <Label value="person"/>
  </RectangleLabels>
  
  <KeyPointLabels name="keypoints" toName="image"
    model_score_threshold="0.75" model_point_threshold="0.5" 
    model_add_bboxes="true" model_point_size="1"
    model_path="yolov8n-pose.pt"
  >
    <Label value="nose" predicted_values="person" model_index="0" background="red" />

    <Label value="left_eye" predicted_values="person" model_index="1" background="yellow" />
    <Label value="right_eye" predicted_values="person" model_index="2" background="yellow" />

    <Label value="left_ear" predicted_values="person" model_index="3" background="purple" />
    <Label value="right_ear" predicted_values="person" model_index="4" background="purple" />
    
    <View>
      <Label value="left_shoulder" predicted_values="person" model_index="5" background="green" />
      <Label value="left_elbow" predicted_values="person" model_index="7" background="green" />
      <Label value="left_wrist" predicted_values="person" model_index="9" background="green" />

      <Label value="right_shoulder" predicted_values="person" model_index="6" background="blue" />
      <Label value="right_elbow" predicted_values="person" model_index="8" background="blue" />
      <Label value="right_wrist" predicted_values="person" model_index="10" background="blue" />
    </View>
    
    <View>
      <Label value="left_hip" predicted_values="person" model_index="11" background="brown" />
      <Label value="left_knee" predicted_values="person" model_index="13" background="brown" />
      <Label value="left_ankle" predicted_values="person" model_index="15" background="brown" />

      <Label value="right_hip" predicted_values="person" model_index="12" background="orange" />
      <Label value="right_knee" predicted_values="person" model_index="14" background="orange" />
      <Label value="right_ankle" predicted_values="person" model_index="16" background="orange" />
    </View>
  </KeyPointLabels>
  
  <Image name="image" value="$image" />
</View>

展示结果:

5.视频帧检测 video detect

标签

复制代码
<View>
    <Video name="video" value="$video"/>
    <VideoRectangle name="box" toName="video" model_tracker="botsort" model_conf="0.25" model_iou="0.7" />
    <Labels name="label" toName="video">
      <Label value="Person" background="red"/>
      <Label value="Car" background="blue"/>
    </Labels>
</View>

第一次处理视频会比较长,因为他是完整的预测完才加载;后台可以显示当前处理到多少frame

展示效果如下:

6.视频帧分类 video classify

标签:

复制代码
<View>
  <Video name="video" value="$video"/>
  <TimelineLabels 
          name="label" toName="video" 
          model_trainable="false" model_score_threshold="0.25">
    <Label value="Ball" predicted_values="soccer_ball" />
    <Label value="hamster" />
  </TimelineLabels>
</View>

测试失败

7.旋转目标检测 obb detect

测试失败

8.替换yolo11模型

下载好然后放到models目录下

修改

\label-studio-ml-backend\label-studio-ml-backend-master\label_studio_ml\examples\yolo\requirements.txt

把ultralytics更新为

ultralytics~=8.3.20

否则不支持yolo11,

重启docker

复制代码
docker-compose down
docker-compose up --build

就可以了

记得替换标签时,加入model_path="yolo11n.pt"

例如目标检测:

复制代码
<View>
  <Image name="image" value="$image"/>
  <PolygonLabels name="label" toName="image" model_score_threshold="0.25" opacity="0.1" model_path="yolo11n.pt">
    <Label value="Car" background="blue"/>
    <Label value="Person" background="red"/>
  </PolygonLabels>
</View>

实测下来,

yolo11n.pt

yolo11n-seg.pt

yolo11n-pose.pt

yolo11n-cls.pt

都能用

给我点个赞吧,谢谢了

附录coco80类名称

为了方便大家修改标签信息,我附上coco数据集80类名称,自行参考:

复制代码
person(人)
bicycle(自行车)
car(轿车)
motorcycle(摩托车)
airplane(飞机)
bus(公共汽车)
train(火车)
truck(卡车)
boat(船)
traffic light(交通灯)
fire hydrant(消防栓)
stop sign(停车标志)
parking meter(停车收费表)
bench(长凳)
bird(鸟)
cat(猫)
dog(狗)
horse(马)
sheep(羊)
cow(牛)
elephant(大象)
bear(熊)
zebra(斑马)
giraffe(长颈鹿)
backpack(背包)
umbrella(雨伞)
handbag(手提包)
tie(领带)
suitcase(手提箱)
frisbee(飞盘)
skis(滑雪板)
snowboard(滑雪单板)
sports ball(体育用球)
kite(风筝)
baseball bat(棒球棒)
baseball glove(棒球手套)
skateboard(滑板)
surfboard(冲浪板)
tennis racket(网球拍)
bottle(瓶子)
wine glass(酒杯)
cup(杯子)
fork(叉子)
knife(刀)
spoon(勺子)
bowl(碗)
banana(香蕉)
apple(苹果)
sandwich(三明治)
orange(橙子)
broccoli(西兰花)
carrot(胡萝卜)
hot dog(热狗)
pizza(披萨)
donut(甜甜圈)
cake(蛋糕)
chair(椅子)
couch(长沙发)
potted plant(盆栽)
bed(床)
dining table(餐桌)
toilet(马桶)
tv(电视)
laptop(笔记本电脑)
mouse(鼠标)
remote(遥控器)
keyboard(键盘)
cell phone(手机)
microwave(微波炉)
oven(烤箱)
toaster(烤面包机)
sink(水槽)
refrigerator(冰箱)
book(书)
clock(时钟)
vase(花瓶)
scissors(剪刀)
teddy bear(泰迪熊)
hair drier(吹风机)
toothbrush(牙刷)
相关推荐
无足鸟ICT13 小时前
【RHCA+】sosreport(收集诊断文档)
linux·运维·服务器
IT大白鼠13 小时前
当 AI 开始自动化渗透:FBI ARTEX 警报的防守对策
运维·人工智能·自动化
惜.己13 小时前
Java结合idea简单使用Playwright
java·开发语言·自动化
Decay__14 小时前
SQLServer 运维自动化平台 —— PowerShell + SQL Agent 作业:部署、监控、巡检、告警、工单闭环一体化
运维·数据库·sql·mysql·架构
A-刘晨阳14 小时前
K8S 二进制集群搭建(一主两从)v1.37.2 版本
运维·云原生·容器·kubernetes·calico·nerdctl
tonydf14 小时前
没完了,Nginx又报新漏洞!
运维·nginx
瑞雪兆丰年兮16 小时前
Linux零基础快速入门-第二章 Linux基础命令
linux·运维·服务器
lambo mercy16 小时前
01初识docker
运维·docker·容器
时间的拾荒人18 小时前
Docker 入门实战:从核心概念、安装配置到镜像操作与 Dockerfile 定制
运维·docker·容器·eureka
光电笑映19 小时前
TCP 为什么可靠?从三次握手、滑动窗口到拥塞控制全面拆解(上)
运维·服务器·网络·udp