一篇写给「被标注折磨过」的 CV 工程师的长文。不讲空话只讲我实测下来真正用得上的功能、快捷键、导出细节以及那些文档里没写、却能让你的数据集直接训崩的坑。目录0. 先搞清楚它是什么以及为什么选它1. 安装与启动三种姿势 GPU 模型目录2. 界面速览30 秒认全布局3. 标注类型全景7 种形状逐一拆解4. AI 自动标注把 50 模型当「外挂」用5. 标签与类别管理6. 导出与导入格式别选错否则白标7. 进阶①接入你自己训练的模型8. 进阶②标完直接训——标注训练一体化9. 实战一个端到端工作流以旋转框 OBB 为例10. 快捷键速查表11. 踩坑与 FAQ血泪版12. 总结与资源0. 先搞清楚它是什么以及为什么选它X-AnyLabeling是在开源标注工具AnyLabeling基础上二次开发的增强分支作者 CVHub520核心升级是把 AI 推理引擎直接塞进了标注界面。它不是「画框工具 一个导出按钮」而是「画框 50 多个 SOTA 模型一键预标注 交互式分割 标完直接训练」的一体化平台跨 Windows / Linux / macOS。一句话定位LabelImg 的易用性 LabelMe 的多边形能力 一整个模型动物园的自动标注 一个简化版 YOLO 训练面板。它和主流工具的取舍我的观点供参考工具强项痛点适合谁LabelImg轻量、YOLO/VOC 直出只能矩形框无 AI已停更纯 HBB 小任务LabelMe多边形/分割老牌无内置 AI 预标注学术分割标注CVAT团队协作、视频、流水线部署重、要服务器多人标注团队Roboflow云端一体化、数据集管理闭源、私有数据上云、收费不敏感数据 要省心X-AnyLabeling本地、免费、AI 预标注强、OBB/分割/姿态全、可接自训模型、可直训单机、超大团队协作弱个人/小团队、要本地、要 AI 提效经验之谈当你的数据不能上云、又想要SAM/YOLO 预标注、还要标旋转框或关键点时X-AnyLabeling 几乎是本地方案里的最优解。1. 安装与启动三种姿势 GPU 模型目录方式 A源码运行官方最推荐功能最新最稳# 1. 建独立环境推荐 Python 3.8~3.11下面以 3.10 为例conda create-nx-anylabelingpython3.10-yconda activate x-anylabeling# 2. 拉源码gitclone https://github.com/CVHub520/X-AnyLabeling.gitcdX-AnyLabeling# 3. 装 ONNX Runtime二选一见下表pipinstallonnxruntime# CPU# pip install onnxruntime-gpu # GPU注意匹配你的 CUDA 版本# 4. 装依赖按你的平台/是否要编译选一个 requirements 文件pipinstall-rrequirements.txt# 5. 启动python anylabeling/app.py依赖文件矩阵别选错这是新手第一个坑文件系统运行环境可否自行编译打包requirements.txtWin/LinuxCPU否requirements-dev.txtWin/LinuxCPU是requirements-gpu.txtWin/LinuxGPU否requirements-gpu-dev.txtWin/LinuxGPU是requirements-macos.txtmacOSCPU/MPS—方式 B免安装编译版 / exe最省事去 GitHubReleases页下载对应平台的压缩包或.exe解压即跑内置了 YOLOv8~v12 等常用模型适合「我只想赶紧标数据」的人。方式 Cpip / uv 安装pipinstall-Uuv# CPUuv pipinstall--prex-anylabeling-cvhub[cpu]# GPUuv pipinstall--prex-anylabeling-cvhub[gpu]装完若报ModuleNotFoundError确认虚拟环境已激活再pip install --upgrade x-anylabeling-cvhub。Linux 打不开 GUI 时试装libxcb-xinerama0。模型存放目录自定义模型/手动补模型时必知系统路径WindowsC:\Users\用户名\xanylabeling_data\models旧版本可能是anylabeling_data\modelsLinux~/xanylabeling_data/modelsmacOS~/xanylabeling_data/models首次启动会自动下载基础模型约几百 MB网络差时建议手动把模型文件丢进上面的目录。模型注册清单在源码的anylabeling/configs/models.yaml。2. 界面速览30 秒认全布局┌──────────────────────────────────────────────────────────────┐ │ 菜单栏文件 | 编辑 | 视图 | 语言 | 工具 | 帮助 │ │ 工具栏打开目录 | 保存 | 撤销/重做 | 形状工具 | AI 模型图标 │ ├──────────────┬───────────────────────────────┬───────────────┤ │ 文件浏览器 │ │ 标注列表 │ │ (图片列表) │ 画 布 (Canvas) │ (当前图所有 │ │ │ 缩放:滚轮 平移:右键/中键拖 │ shape类别) │ │ │ │ │ │ ── AI 面板 │ │ 标签输入框 │ │ 模型下拉 │ │ 类别历史 │ │ [Run][RunAll]│ │ │ └──────────────┴───────────────────────────────┴───────────────┘左侧文件列表 AI 模型面板选模型、点 Run 跑当前图 / Run All 跑全部。中间画布所有绘制与编辑在这里。右侧当前图的标注对象列表 标签label输入框类别名在这里敲敲过的会进历史下拉下次直接选。3. 标注类型全景7 种形状逐一拆解X-AnyLabeling 提供7 种标注样式覆盖检测、分割、姿态、OCR 等几乎所有 CV 任务形状快捷键产出典型任务矩形 RectangleR轴对齐框 (x,y,w,h)通用目标检测旋转框 Rotation / OBBO四顶点 / 带角度框遥感、航拍、倾斜文本、倾斜零件多边形 PolygonP任意闭合轮廓实例/语义分割点 Point—单点坐标关键点、定位点线段 Line—两点线车道线、骨架四边形 Quadrilateral—四点文档/文本常用文本行、票据四角关键点 / 姿态 Keypoint/Pose—框 关键点集合人体/动物姿态操作要点矩形R→ 在目标上拖拽 → 右侧选/填类别 →CtrlS。多边形P→ 沿轮廓逐点点击 →回到起点或双击闭合。配合 SAM 时点一下就能自动贴边几乎不用手描。旋转框 OBB重点很多人画不好按O→ 点第一个角点→ 点第二个角点确定一条边的方向→ 移动鼠标定宽度 → 点击完成。用下面 4 个键微调角度比鼠标拧得准得多键作用Z逆时针 1°X逆时针 0.1°C顺时针 0.1°V顺时针 1°经验旋转框先大致画、再用 Z/X/C/V 精修效率远高于试图一次画准。4. AI 自动标注把 50 模型当「外挂」用这才是 X-AnyLabeling 的灵魂。正确的工作流从来不是「从零手画」而是「AI 先标 → 人来改」。4.1 内置模型分类清单随版本增长以界面下拉为准类别代表模型用途目标检测YOLOv5/v8/v9/v10/v11、RT-DETR、Gold-YOLO通用矩形框旋转检测 OBByolov5_obb、yolov8_obb旋转框预标注开放词汇检测GroundingDINO、YOLO-World用文字描述类别就能检无需训练交互式分割SAM、MobileSAM、EdgeSAM、EfficientSAM点一下/框一下自动抠图实例分割YOLOv8-seg 等多边形预标注姿态/关键点YOLOv8-pose人体/物体关键点多模态/其他CLIP、Florence-2、OCR 模型、计数模型分类/文本/计数小目标增强集成SAHI切片推理提升小目标召回4.2 加载与运行点工具栏AI 模型图标机器人图标在下拉里选模型首次选会自动下载权重。跑当前图点面板里的Run或对应运行按钮。跑整个文件夹点Run All / 批量运行去喝杯咖啡回来全是预标注。想换模型下拉里直接切不同模型可叠加使用比如先用检测模型出框再用 SAM 把框精修成分割。4.3 三种「神仙用法」SAM 交互式分割选 SAM 模型 → 在目标上点正点要的区域、Shift点负点不要的区域→ 掩码实时贴合 → 满意后转成多边形。比手描快 10 倍。开放词汇GroundingDINO / YOLO-World没训练过模型也能标——输入文本提示如red helmet . safety vest模型按文字检出对应框冷启动数据集的救星。SAHI 切片推理遥感/航拍里目标太小开 SAHI工具把大图切片推理再拼回小目标召回率明显提升。4.4 关键认知AI 标完 ≠ 完事自动标注一定有漏检和误检。标准闭环是AI Run All → 人工逐张校验 → 补漏(R/O/P) 删误(选中Delete) 改类 → 保存把 AI 当「初稿作者」你当「审稿编辑」这是效率与质量的最优平衡。5. 标签与类别管理类别名在右侧标签框输入敲过的自动进历史之后下拉选避免拼写不一致拼写不一致 训练时多出一个「幽灵类别」巨坑。改单个标签双击标注对象或右侧列表项改 label。删除选中对象按Delete批量删可框选后Delete或全选后Delete。自动保存菜单里打开Save Automatically省去反复CtrlS强烈建议开。标注结果默认存为与图片同名的.jsonAnyLabeling 原生格式保留所有形状信息这是「工程文件」导出训练格式是另一一步见下节。6. 导出与导入格式别选错否则白标6.1 支持的导出格式格式说明适配框架YOLO含 HBB /OBB/ SEG / Pose 子格式.txtUltralytics YOLO 全系COCO单文件 JSON含 bbox/segmentation/keypointsDetectron2 / mmdet / 通用Pascal VOC每张图一个.xml老牌检测框架DOTA旋转框四点多边形文本遥感旋转检测Mask / 掩码分割掩码图分割任务6.2 导出 YOLO 的标准步骤先在图片目录准备一个classes.txt每行一个类别顺序即 class_id从 0 开始——这个顺序后面要和训练 yaml 的names严格对齐。菜单Export → YOLO→ 选择classes.txt 输出目录 → 确定。得到标准结构output/ ├── images/ │ ├── 001.jpg │ └── 002.jpg ├── labels/ │ ├── 001.txt │ └── 002.txt └── classes.txt⚠️如果你导出后.jpg和.txt平铺在同一个文件夹没有images/、labels/分层YOLO 训练会找不到标签必须手动分成两个同名文件配对的目录。这是导出后最高频的坑。6.3 OBB 导出格式详解务必看清网上说法很乱X-AnyLabeling 导出的YOLO-OBB 是「四顶点格式」每行9 个数class_id x1 y1 x2 y2 x3 y3 x4 y4真实样例0 0.38233 0.00859 0.59076 0.00886 0.58855 0.94884 0.38012 0.948578 个坐标 4 个角点 × (x, y)全部归一化到 0~1按顺序围成闭合四边形。这正是 Ultralytics YOLOv8 / v11-OBB 训练读取的格式可直接训无需换算。 澄清一个常见误区有些文章把 OBB 写成6 列class cx cy w h angle。那是另一种数学表示不是 X-AnyLabeling 的默认导出。你看到 9 列四点式是对的别怀疑、别去手动改成 6 列。6.4 配套的dataset.yaml导出后通常要补/改path:/abs/path/to/output# 改成你的实际路径train:imagesval:images# 数据少时先都指 images之后再拆 train/valnc:3# 类别数 classes.txt 行数names:[ship,plane,vehicle]# 顺序必须与 classes.txt 完全一致6.5 导入预标注接力别人的标注已有 YOLO.txt标签把labels/与图片按同名放好用工具打开图片目录会自动识别并加载 HBB / SEG / OBB在此基础上继续改即可——非常适合「AI 标完导出 → 换台机器人工精修」的协作流。7. 进阶①接入你自己训练的模型把自己训好的 YOLO / SAM 接进来当预标注器是 X-AnyLabeling 最值回票价的功能。7.1 三个硬性条件缺一不可文件齐 命名一致检测/分割/姿态类你的模型.onnx 同名你的模型.yamlSAM 类encoder.onnxdecoder.onnx 同名.yaml三者命名严格对应放进模型目录见第 1 节路径表。在models.yaml注册或让工具扫描到该配置。7.2 检测模型 yaml 模板type:yolov8# 关键v5 写 yolov5OBB 写 yolov8_obb姿态写 yolov8_posename:my_det_v8ndisplay_name:MyDetector (YOLOv8n)model_path:my_det_v8n.onnx# 相对模型目录的路径或绝对路径/URLinput_width:640input_height:640score_threshold:0.5nms_threshold:0.45classes:-cat-dog-person7.3 OBB / 姿态模型 yaml 要点OBBtype: yolov8_obb或yolov5_obb。type 写错会被当普通检测要么报错list index out of range要么框全歪/没结果。姿态type: yolov8_pose并补keypoints与骨架连接定义例如人体 17 关键点type:yolov8_posename:my_posemodel_path:my_pose.onnxclasses:[person]keypoints:-nose-left_eye# ... 共 17 个顺序必须与训练时一致7.4 ONNX 导出参数导出不对加载就「静默失败」fromultralyticsimportYOLO modelYOLO(yolov8n.pt)model.export(formatonnx,opset12,# v5 建议 11~12v8/v9/v11 必须 12simplifyTrue,# 推荐简化计算图# dynamicFalse, # 需要可变输入尺寸时再开 True)排错三连模型加载成功却无推理结果→ 先查type是否匹配任务类别错乱→ 查 yaml 的classes顺序是否与训练一致Linux 下加载不到→ 模型目录权限设755。8. 进阶②标完直接训——标注训练一体化较新版本v2.4 及免环境编译版内置了简化版 YOLO 训练面板标完数据不用切终端也能训在「高级设置 / 训练」里可配训练时长 Time(h)、早停 Patience、学习率、数据增强、图像尺寸等。选任务类型检测 / OBB / 分割 / 分类 / 姿态→ 指向你刚导出的数据集 → 开训。当然更可控的方式仍是导出后命令行训# 检测yolo detect trainmodelyolov8n.ptdatadataset.yamlepochs100imgsz640# 旋转框yolo obb trainmodelyolov8n-obb.ptdatadataset.yamlepochs100imgsz640# 分割 / 姿态同理yolo segment train ... / yolo pose train ...这套「标 → 导 → 训 → 把训好的模型再导回 X-AnyLabeling 当预标注器」的闭环才是它真正的杀手锏你的模型越训越好预标注越来越准人工越改越少。9. 实战一个端到端工作流以旋转框 OBB 为例把前面所有知识点串成一条可复制的流水线以「遥感船只旋转框」为例[1] 准备图片目录 images_raw/ ↓ [2] 启动 X-AnyLabeling打开该目录 ↓ [3] 加载 yolov8_obb 模型 → Run All 预标注 ↓ [4] 人工校验O 补漏 / Z X C V 精修角度 / 删误检 / 改类 ↓ 开启自动保存 [5] 写 classes.txt ship / boat / dock ↓ [6] Export → YOLOOBB 自动按四点式写出 ↓ [7] 整理目录把 .jpg 进 images/同名 .txt 进 labels/ ↓ [8] 写 dataset.yamlnc 与 names 对齐 classes.txt ↓ [9] yolo obb train ... 或 用内置训练面板 ↓ [10] 训完导出 ONNX 写 yaml → 接回 X-AnyLabeling → 回到 [3]闭环验收 checklist导出后、训练前必查打开一个.txtOBB 是9 列1 类 8 坐标坐标都在 0~1。images/与labels/文件一一同名配对无孤儿文件。classes.txt行数 yaml 的ncnames长度顺序一致。类别名大小写、空格与标注时完全一致。四项全绿再开训能省掉 80% 的「训出来 mAP 是 0」的玄学调试。10. 快捷键速查表⚠️ 诚实提示快捷键可能随版本微调。下表为我实测高频且多源一致的集合最权威的查看方式是你版本里的「帮助 → 快捷键 / Shortcuts」冲突时以界面提示为准。操作快捷键上一张 / 下一张A/D矩形框R旋转框 OBBO多边形P旋转框逆时针 1° / 0.1°Z/X旋转框顺时针 0.1° / 1°C/V保存Ctrl S撤销Ctrl Z删除选中标注Delete全选标注对象Ctrl A缩放 / 平移画布滚轮 / 右键或中键拖动加载/切换 AI 模型工具栏 AI 图标部分文档记有快捷键以菜单为准11. 踩坑与 FAQ血泪版现象原因解决导出的 OBB 角度全是 0 / 框不旋转用了矩形R而非旋转O用O重画或加载 OBB 模型重标看到 OBB 是 9 列怀疑错了没错X-AnyLabeling 就是四点式直接用别改成 6 列训练时「找不到标签」/ 全漏图与 txt 平铺没分images/、labels/手动分目录保持同名训练 mAP≈0 / 类别全错classes.txt与 yamlnames顺序不一致严格对齐顺序与拼写自定义模型不在下拉里命名不一致 / 路径错 / 没注册onnx 与 yaml 同名放对目录Linux 权限 755模型加载成功却无结果yaml 的type与任务不匹配检测/yolov8_obb/yolov8_pose对应写对标签类别莫名错乱yamlclasses顺序 ≠ 训练顺序统一顺序GPU 没加速、卡装了onnxruntime而非-gpu重装onnxruntime-gpu并匹配 CUDA首次启动模型下载卡住网络问题手动下模型丢进模型目录Linux 打不开 GUI缺图形依赖装libxcb-xinerama012. 总结与资源三句话记住 X-AnyLabeling本地免费、跨平台是「数据不能上云」场景的本地 AI 标注首选。AI 预标注 人工校验才是正确姿势别从零手画SAM 点分割、GroundingDINO/YOLO-World 开放词汇、SAHI 小目标是三大提效杀器。导出别踩坑OBB 是 9 列四点式图与标签必须分images/、labels/classes.txt与 yamlnames顺序对齐。再配合「训好模型接回来」的闭环标注成本会一轮比一轮低。资源官方仓库https://github.com/CVHub520/X-AnyLabeling中文手册仓库内docs/zh_cn/user_guide.md模型与编译版仓库Releases页模型注册配置anylabeling/configs/models.yaml标注这件事工具选对是从「苦力活」变「技术活」的分水岭。希望这篇能帮你把 X-AnyLabeling 用满、用透——少画几个框多训几个好模型。文中快捷键与模型清单以你所用版本为准OBB 导出格式与目录结构经实测核对。如有版本差异欢迎对照界面提示与官方手册。