3、标注工具入门：LabelImg、CVAT、Label Studio 安装与基础使用

做数据标注这几年，我见过不少团队在工具选型上栽跟头。有人装了半天环境跑不起来，有人标到一半发现工具不支持导出格式。说白了，工具选对了，效率翻倍；选错了，返工到崩溃。

这一章，我带你过三款主流标注工具：LabelImg、CVAT、Label Studio。它们分别代表了轻量级、企业级、全能型三种路线。我会从安装到基础操作，把我在项目中踩过的坑一并告诉你。

3.1 LabelImg：轻量级图像标注利器

LabelImg 是我最早接触的标注工具。那时候团队就两个人，标几千张检测图，用它最顺手。它就是一个 Python 写的桌面应用，不需要搭服务器，装好就能用。

安装步骤

我个人习惯用 pip 安装，干净利落。如果你用 Windows，记得先装 Python 3.8 以上版本。

# 方式一：pip 安装（推荐）
pip install labelimg

# 方式二：源码安装（适合二次开发）
git clone https://github.com/tzutalin/labelImg.git
cd labelImg
pip install -r requirements/requirements-linux-python3.txt
make qt5py3
python labelImg.py

基础操作流程

1. 打开图片目录：点击「Open Dir」选择存放图片的文件夹。
2. 设置保存目录：点击「Change Save Dir」指定标注文件输出位置。
3. 创建矩形框：按 w 键进入绘制模式，拖拽鼠标框选目标。
4. 输入标签名：弹窗中输入类别名称，比如 cat、dog。
5. 保存标注：按 Ctrl+S，默认生成 XML 文件（Pascal VOC 格式）。
6. 切换下一张：按 d 键或点击 Next Image。

3.2 CVAT：企业级 Web 标注平台

CVAT 是 Intel 开源的标注平台，我第一次用的时候就被它的功能密度惊到了。它支持多人同时标注、任务分配、自动标注插件，适合团队作战。不过部署起来比 LabelImg 复杂不少。

安装方式对比

Docker 部署（推荐）

# 克隆仓库
git clone https://github.com/opencv/cvat
cd cvat

# 启动服务（第一次会下载镜像，耐心等）
docker compose up -d

# 创建超级用户
docker exec -it cvat_server bash -c "python manage.py createsuperuser"

# 访问 http://localhost:8080

基础使用流程

1. 创建任务：登录后点击「Create New Task」，填写任务名称。
2. 上传数据：拖拽图片或视频文件到上传区域。
3. 配置标签：在「Labels」中添加类别，比如 car、person。
4. 分配标注员：在「Assignees」中选择团队成员。
5. 开始标注：进入任务，使用矩形框、多边形、关键点等工具标注。
6. 提交审核：标注完成后点击「Submit」，等待审核。

CVAT 的标注工具比 LabelImg 丰富得多。除了矩形框，还支持多边形、折线、关键点、语义分割掩码。我做过一个车辆检测项目，用 CVAT 的多边形工具标车轮廓，精度比矩形框高不少。

3.3 Label Studio：多模态标注全能选手

Label Studio 是我最近一年用得最多的工具。它不仅能标图像，还能标文本、音频、视频、时间序列。说白了，如果你的项目涉及多种数据类型，Label Studio 是首选。

安装方式

# pip 安装（单机使用）
pip install label-studio

# 启动
label-studio start

# 访问 http://localhost:8080

# Docker 部署（团队使用）
docker run -it -p 8080:8080 -v $(pwd)/data:/label-studio/data heartexlabs/label-studio:latest

核心概念：项目与标注配置

Label Studio 的灵活之处在于它的「标注配置」系统。你可以用 XML 模板定义标注界面。举个例子，图像分类的配置长这样：

<View>
  <Image name="image" value="$image"/>
  <Choices name="label" toName="image">
    <Choice value="cat"/>
    <Choice value="dog"/>
    <Choice value="other"/>
  </Choices>
</View>

这个配置告诉 Label Studio：显示一张图片，下面给三个分类选项。你想想看，如果换成文本分类，只需要把 <Image> 换成 <Text> 就行。这种设计让 Label Studio 几乎能适配任何标注场景。

基础操作流程

1. 创建项目：点击「Create Project」，输入项目名称。
2. 导入数据：支持 CSV、JSON、文件夹批量导入。
3. 设置标注模板：选择预设模板或自定义 XML 配置。
4. 分配任务：可以按比例分配给多个标注员。
5. 开始标注：根据模板类型进行标注操作。
6. 导出结果：支持 JSON、CSV、COCO、Pascal VOC 等多种格式。

3.4 三款工具横向对比

3.5 避坑指南

做标注工具选型这几年，我总结了几条血泪教训：

• 不要高估团队的部署能力。我曾经在一个项目里强行上 CVAT，结果团队里没人会 Docker，折腾了两天还没跑起来。后来换成 LabelImg，当天就开工了。
• 标注格式要提前统一。不同工具导出的格式不一样。LabelImg 默认是 XML，CVAT 可以导出 COCO JSON，Label Studio 默认是 JSON。如果后续要训练模型，提前确认模型需要的输入格式。
• 数据备份要勤快。CVAT 的数据存储在 Docker 卷里，如果不做持久化，容器删了数据就没了。我吃过这个亏，标了一周的成果差点全丢。
• 小团队别追求大而全。Label Studio 功能确实强，但配置复杂。如果只是标矩形框，用 LabelImg 就够了。杀鸡用牛刀，反而降低效率。