4. 标注工具选型与实操环境搭建

煤岩识别数据标注与通用目标检测标注有一个显著差异：煤岩图像往往来自井下低照度、高粉尘、强反光环境，煤块与岩块的边界模糊，同一张图上可能同时存在“煤”“岩”“夹矸”“阴影干扰”等多种需要区分的对象，且标注结果要能直接服务于分割或检测模型的训练。因此，工具选型不能只看“能不能画框”，而要看它是否支持多边形/掩膜标注、是否便于多人分工与审核、是否能导出与训练框架匹配的格式。本节围绕 Labelme 与 CVAT 两类主流工具展开对比，并给出可落地的安装配置与团队协作初始化流程。

一、两类工具的定位差异

Labelme 是轻量级桌面标注工具，核心优势是安装简单、离线可用、原生支持多边形与掩膜标注，输出 JSON 中直接记录每个多边形的顶点坐标和标签，非常适合小团队快速启动分割类标注。它的短板在于协作能力弱：没有内置的任务分配、进度统计和审核机制，多人标注时通常靠“分文件夹 + 约定命名”来管理，版本一致性依赖人工纪律。

CVAT 是面向团队的 Web 标注平台，支持多用户、任务切分、角色权限、审核（review）流程和多种导出格式，适合标注量较大、需要质量控制的场景。它的代价是部署与运维成本更高，需要服务端环境，团队要有人负责账号、项目和数据管理。对于煤岩识别这类需要“标注—复核—返修”闭环的任务，CVAT 的流程优势在数据量上升后会明显体现。

选型时可参考下面的判断关系：如果团队不超过 3 人、数据量在数千张以内、以离线环境为主，Labelme 足够；如果数据量上万、需要多人并行和审核留痕，优先 CVAT。两者并非互斥，常见做法是先用 Labelme 快速验证标注规范，规范稳定后再迁移到 CVAT 做规模化生产。

二、Labelme 的安装与配置

Labelme 基于 Python，推荐在独立虚拟环境中安装，避免与训练环境的依赖冲突。以 Python 3.9 为例，在命令行执行：

python -m venv labelme_env
labelme_env\Scripts\activate        # Windows
# source labelme_env/bin/activate   # Linux / macOS
pip install labelme==5.4.1
labelme

启动后通过“文件—打开目录”载入图像文件夹。煤岩标注建议在“编辑—首选项”中关闭自动保存，改为手动保存，避免误操作覆盖；同时把标签文件默认保存到图像同目录，便于后续脚本批量转换。标注时用“创建多边形”沿煤块或岩块轮廓逐点勾画，闭合后输入标签名。标签名必须与团队约定的标签体系完全一致，例如统一使用 coal、rock、gangue、shadow，不要出现“煤”“煤炭”“coal_block”混用，否则后续合并数据集时会出现标签分裂。

Labelme 的 JSON 结构包含 shapes 数组，每个元素有 label 和 points 字段，points 是图像坐标系下的多边形顶点（原点在左上角，x 向右、y 向下）。批量转换时可用官方脚本 labelme2coco.py 生成 COCO 格式，命令形如：

python labelme2coco.py coal_imgs coal_coco --labels labels.txt

其中 labels.txt 每行一个标签名，顺序决定类别 id。转换后应抽查一张图的 annotations，确认 category_id 与标签对应关系正确，再进入训练流程。

三、CVAT 的部署与项目初始化

CVAT 官方提供 Docker Compose 部署方式，适合在团队内网服务器上搭建。基本步骤是克隆仓库、拉取镜像并启动：

git clone https://github.com/opencv/cvat
cd cvat
docker compose up -d
docker exec -it cvat_server bash -ic 'python3 manage.py createsuperuser'

启动后浏览器访问服务器地址的 8080 端口，用超级用户登录。随后按“项目—任务—作业”的层级组织数据：先建项目并定义标签集合（煤、岩、夹矸、阴影干扰），再在项目下创建任务并上传图像，最后把任务切分为若干作业分配给标注员。CVAT 的标签颜色建议与煤岩语义对应，例如煤用深灰、岩用浅灰、夹矸用橙色，减少标注时的视觉误判。

团队协作初始化的关键动作是“试标校准”：从数据集中抽取约 20 张覆盖不同工况（强反光、粉尘遮挡、边界模糊）的图像，让所有标注员各自标注，再由审核员逐张比对。重点检查三类分歧：边界点取在煤岩过渡带的哪一侧、夹矸厚度小于多少像素时不计入、阴影区域是否单独成类。把结论写进标注规范文档，作为后续全量标注的依据。这一步看似费时，但能显著降低后期返修率。

四、协作流程与质量控制要点

无论使用哪种工具，团队协作都应落实几条纪律：图像按批次编号，标注文件与图像同名同目录，禁止跨批次混放；每个作业完成后由审核员抽检，抽检比例在项目初期可设为 100%，规范稳定后降到 20%～30%；发现系统性偏差时暂停后续作业，先统一标准再继续。CVAT 可直接在作业上标记“拒绝/返修”，Labelme 则需借助共享表格记录返修清单。

完成本节的环境搭建后，团队应能稳定产出格式统一、标签一致的标注文件，并具备可追溯的审核记录。这是后续混淆矩阵评估能够可信的前提——如果标注本身存在标签混用或边界标准不一，混淆矩阵反映的将是标注噪声而非模型真实性能。