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：
@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：
@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：
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：
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 ❤️