用X-AnyLabeling进行AI智能标记数据集，效率提升10倍！(附超详细教程)

Python伍六七

于 2025-08-05 23:12:53 发布

阅读量1.2k

点赞数 30

CC 4.0 BY-SA版权

文章标签： python YOLO ai

本文链接：https://blog.csdn.net/Hahafantuan/article/details/149948602

阅读此文：你将学会如何使用X-AnyLabeling进行数据集的AI标记

🌈Hi，小伙伴们~ 👉关注我，带您了解更多的 Python 实用技巧

前面的文章中，我们已经介绍了如何利用YOLO模型进行火焰目标检测，但在数据集的准备过程中，大量的数据集标注工作耗时又费力，有没有提升效率或用AI工具来辅助标注了？

🎯今天教大家用X-Anylabeling这款高效率标注软件，能轻松解决这个课题！

什么是X-Anylabeling

🏆X-Anylabeling是由CVHub520团队开发的一个强大的图像标注开源工具，首次公开发布是在2023年，这款软件专为加快数据标注过程而设计，且仍在持续更新发布新的版本，集成新的模型，方便好用

🔍 为啥选X-AnyLabeling ？

智能标注：能AI自动标注，大幅减少工作量

界面友好：可视化操作，小白也能快速上手

免费开源：GitHub开源项目，持续更新维护

能跨平台：Windows、Linux、Mac都能用
支持多种格式：YOLO、COCO、Pascal VOC等主流格式统统支持

🔍 X-AnyLabeling下载与安装

软件下载路径：

☘️推荐去官方GitHub仓库下载链接如下：官方下载链接

官方下载界面，选择内容如下：

☘️下载解压后，软件的文件架构如下：

软件的安装步骤：

☘️先conda创建1个虚拟环境并启动，命令如下：

#创建虚拟环境
conda create -n anylabeling python=3.10
#激活环境
conda activate anylabeling

☘️移到对应文件夹下如 F:\X-AnyLabeling-main

☘️安装软件所需的依赖包，命令如下：

pip install -r requirements.txt

☘️也可清华/阿里的镜像源：

#清华镜像源
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

#阿里镜像源
pip install -r requirements.txt -i <https://mirrors.aliyun.com/pypi/simple>

☘️安装完，输入下面命令启动运行软件：

python anylabeling/app.py

☘️打开的软件界面，如下图所示

☘️新版软件要求Python版本不低于3.10，运行打开命令若报错可能是依赖包未正确安装，修正安装即可。若觉得命令行打开麻烦，也可下载别人已打包好的.exe文件，或者自己动手打包一个便于后续使用

🛠️ 六步搞定AI智能标注

🌱下面就是AI自动标注的干货啦！按着下图这六个步骤，就能让你的标注效率飞起来～

步骤①：用X-AnyLabeling标注少量数据集

✅打开软件，点击"Open Dir"选择需标注图片的文件夹，用左侧工具栏手动标注一些样本（建议至少20-30个）标注完成后导出为YOLO格式

步骤②：训练初始模型(.bt文件)

✅接下来要用第①步标注好的小数据集训练一个初始模型权重，划分好数据集和训练集，做好数据集和模型配置后，以yolov11为例进行训练，命令如下：

yolo cfg=ultralytics/cfg/default.yaml

✅训练完会在对应train的weights权重文件下生成best.bt文件，如下所示：

步骤③：将模型.bt文件转换为.onnx

✅接下来要用第②步训练好的模型权重进行格式转换，转成软件所需的onnx，可以用YOLO模型自动带的导出方法，如下代码所示：

import os
import glob
from ultralytics import YOLO

# 假设你想遍历的文件夹路径是 'path_to_folder'
path_to_folder = "runs/detect/train18/weights/"

# 使用glob模块找到所有.pt文件
for pt_file in glob.glob(os.path.join(path_to_folder, "best.pt")):
    model = YOLO(pt_file)
    # Export model
    success = model.export(format="onnx")

✅转换完成后，会在对应文件夹下会生产一个best.onnx文件，如下图所示：

步骤④：修改模型配置yaml文件

✅创建一个或copy一个模型配置yaml文件，并依据你的标准需求修改文件内红色框中内容，如下图所示

✅注意：X-AnyLabeling目前type类型仅支持部分的YOLO 变种如 yolov5、yolov8、yolov9，同时需将这个文件与第③步生成的best.onnx文件放到同一个文件夹下，如下图所示：

步骤⑤：加载自定义模型进行AI批量标注

✅在X-AnyLabeling中选择左下角的AI模式 → 再加载自定义模型→ 再选择步骤④的yaml文件

✅点击"Run"就开始自动标注，也可以调整置信度阈值等参数优化结果

步骤⑥：修正标注与导出标签

✅自动标注完成后：使用（← → 键切换图片）对AI不准确的图片进行修正，修正完后就可导出标注结果，建立一个标签classes.txt文件，导出yolo标签时选择它

✅导出后会自动生成一个lables的标签文件夹，内存放着标注的内容

✨至此，AI自动标注完成可以进行数据集的划分与训练

👉附上：X-AnyLabeling官方说明文档官方说明文档

🏁结语：

🚀希望这篇教程能帮您了解X-AnyLabeling~

👉若觉得有用，收藏起来，需要时随时翻出来~

📌也可关注微信公众号：“ Python-伍六七 ”，及时获取Python 实用技巧与干货案例！

解锁用X-AnyLabeling进行AI智能标记数据集https://mp.weixin.qq.com/s/eEJz3isQ8s3HrVypi1IY3w