基于项目管理的轻量级目标检测自动标注系统【基于 YOLOV8】

🐱 AILabeler 是一个轻量级目标检测标注系统，专为 YOLO 系列模型设计，支持图像上传、标注框管理、类别设置、自动标注（YOLOv8）、导出多格式训练数据等功能。

项目已经发布至https://github.com/as501226107/AILabeler，后续会持续更新，欢迎关注➕star

🔧 安装运行

安装依赖

pip install flask ultralytics opencv-python pillow

运行服务

python app.py

默认访问：http://localhost:5001

📌 常用接口说明| 路径 | 说明 |

| --- | --- |

| / | 项目列表页 |

| /project/<项目名> | 项目详情（上传/预览图像） |

| /annotate/<项目>/<图像> | 标注页面（主界面） |

| /autolabel/<项目>/<图像> | 自动标注接口（YOLOv8） |

| /export/<项目> | 数据导出页面 |

🧠 自动标注说明自动标注使用 YOLOv8 模型进行推理。你可以根据需求替换模型文件：

model = YOLO("yolov8n.pt") # 替换为自己的 yolov8.pt

并在 `

🐱 YOLabeler 标注系统YOLabeler 是一个轻量级目标检测标注系统，专为 YOLO 系列模型设计，支持图像上传、标注框管理、类别设置、自动标注（YOLOv8）、导出多格式训练数据等功能。

🚀 功能特性📂 项目管理

创建/查看项目
每个项目拥有独立图像、类别、标注数据

🖼 图像上传与预览

支持批量上传图片（JPG/PNG）
图像状态展示：✅ 已标注 / ❌ 未标注

🧾 标注功能
使用鼠标框选目标区域
每个框支持单独设置类别
右侧列表可编辑/删除每个框
自动保存为 JSON 标注数据

🔁 图像浏览

支持上一张 / 下一张图片快捷切换
切图时自动加载对应标注

🧠 自动标注

集成 YOLOv8 模型（默认 yolov8n.pt）
可识别图像中的所有物体
支持基于项目类别过滤保留框

📤 数据导出

支持三种格式：YOLO / COCO / VOC
可生成 ZIP 包一键下载

⚙️ 类别管理
项目级类别配置（支持增删改）
自动标注时仅保留已配置类别

🧰 目录结构

YOLabeler/

├── app.py # 主 Flask 应用

├── templates/ # HTML 模板（Jinja2）

├── static/ # 可选：CSS/JS 静态资源

├── data/

│ ├── images/ # 图像数据按项目分类存储

│ ├── annotations/ # 标注数据存储

│ ├── config/ # 每个项目类别配置

│ └── projects.json # 所有项目注册信息

🔧 安装运行

安装依赖

pip install flask ultralytics opencv-python pillow

运行服务

python app.py

默认访问：http://localhost:5001

📌 常用接口说明| 路径 | 说明 |

| --- | --- |

| / | 项目列表页 |

| /project/<项目名> | 项目详情（上传/预览图像） |

| /annotate/<项目>/<图像> | 标注页面（主界面） |

| /autolabel/<项目>/<图像> | 自动标注接口（YOLOv8） |

| /export/<项目> | 数据导出页面 |

🧠 自动标注说明自动标注使用 YOLOv8 模型进行推理。你可以根据需求替换模型文件：

model = YOLO("yolov8n.pt") # 替换为自己的 yolov8.pt

并在 data/config/<项目>_classes.json` 中指定需要保留的类别，非该列表内的将被过滤。

📦 支持导出格式YOLO 格式：

每张图片一个 每张图片一个 .txt
内容：内容：<class> <x_center> <y_center> <width> <height>（归一化）

COCO 格式：
一个 一个 annotations.json
包含 images、annotations、categories 三部分

VOC 格式：
每张图片一个 每张图片一个 .xml 文件，标准 Pascal VOC 格式

🧠 关键代码解释1. /annotate//` 路由用于渲染标注页面，加载图像与对应标注框，支持上下图切换：

python 复制代码

@app.route('/annotate/<project>/<filename>')def annotate(project, filename):    ... # 加载图像目录与标注    return render_template('annotate.html', ...)

/autolabel//` 路由使用 YOLOv8 推理当前图像，返回建议框：

python 复制代码

@app.route('/autolabel/<project>/<filename>')def autolabel_image(project, filename):    ... # 推理图像，生成预测框并渲染页面

saveBoxes() 前端函数采集标注框坐标、类别，发送到 /save/<project> 接口：

python 复制代码

function saveBoxes() {
  const result = boxes.map(b => ({ x: b.rect.x(), y: b.rect.y(), width: b.rect.width(), height: b.rect.height(), label: b.label }));
  fetch(`/save/${project}`, { method: 'POST', body: JSON.stringify({ filename, boxes: result }) })
}

图像加载 + Konva 渲染逻辑前端绘图模块加载图像并按标注框显示：

python 复制代码

const image = new Image();
image.onload = () => {
  stage = new Konva.Stage(...);
  preloadBoxes.forEach(b => addBox(...));
  setupDrawing();
};

✅ 使用建议

尽量使用 Chrome 浏览器
上传图像后建议立即标注保存（自动保存为 JSON）
自动标注可加快效率，但需人工复查每张图
切图前请先点击保存，防止未保存的修改丢失

📮 联系/建议欢迎提交 Issues 或 PR 改进系统 ❤️