CVAT 入门完整指南：从零部署到交付第一个标注数据集

CVAT 入门完整指南：从零部署到交付第一个标注数据集

【免费下载链接】cvatComputer Vision Annotation Tool (CVAT) is a leading platform for building high-quality visual datasets for vision AI. It offers open-source, cloud, and enterprise products, as well as labeling services, for image, video, and 3D annotation with AI-assisted labeling, quality assurance, team collaboration, analytics, and developer APIs.项目地址: https://gitcode.com/GitHub_Trending/cvat/cvat

你手里有一批没标过的图像或视频，需要尽快产出能喂给模型的训练数据——这正是 CVAT（Computer Vision Annotation Tool）要解决的问题。它是一款免费开源的计算机视觉标注平台，基于 Docker 部署在你的机器上，覆盖"导入数据、定义标签、绘制标注、AI 辅助、多人校审、导出 COCO/YOLO 等 20 余种格式"的完整链路。下面按一个真实标注任务的工作流，带你把第一份数据集做出来。

三步跑起来：完成 CVAT 部署

环境要求三样东西：Docker Engine、Docker Compose 和 Git。建议内存 16GB 以上（最低 8GB），磁盘预留 50GB 放镜像和数据。

1. 克隆仓库：

git clone https://gitcode.com/GitHub_Trending/cvat/cvat cd cvat docker compose up -d

2. 首次启动要拉取一批镜像，等几分钟。用docker compose ps确认所有容器进入运行状态。
3. 创建管理员账号并登录验证：

docker exec -it cvat_server bash -ic 'python3 ~/manage.py createsuperuser'

然后在浏览器打开http://localhost:8080，用刚创建的账号登录。看到 Projects 页面即部署成功。默认用 Chrome 或 Edge 访问，Safari 不受支持。

创建第一个标注项目并导入数据

登录后按"项目 → 任务 → 作业"三层组织数据。项目是容器，任务承载一组媒体文件，作业是标注员实际领取的最小单元。

1. 建项目：首页点击 Create new project，输入名称（如"街景车辆检测"），项目只负责聚合任务，本身不存图像。
2. 定义标签与属性：新建任务时先填 Labels。点 Add label 逐个添加类别（car、person、bicycle……）。对需要细分的类别展开 Attribute 配置，例如给 car 加"遮挡程度"下拉属性、给所有类别加"是否截断"开关。这一步决定了后面导出结果里包含哪些字段，务必和模型需求对齐。
3. 导入数据：在 Select files 区域选择来源——本机上传（支持图像压缩包、视频、点云文件）、远程文件服务或对象存储（S3、Azure Blob 等，先在 Cloud Storage 页面配置凭证）。提交后 CVAT 自动把媒体切分为若干作业。

标签和属性定义好后就不能再改，所以第一遍任务建议先用小批量数据（几十张）试跑一遍流程，确认标签体系没问题再批量导入。

按任务类型选标注工具

进入作业后，左侧工具栏按"你要输出什么"选择工具：

• 矩形框（Rectangle）：目标检测任务的首选。画快、信息够用，适合车辆、行人等轮廓近似矩形的目标。
• 多边形（Polygon）/折线（Polyline）：需要轮廓级精度时用多边形；道路、车道线这类开放形状用折线。
• 骨架/关键点（Skeleton）：人体姿态、面部特征。先在项目设置里定义骨骼点（如肩、肘、腕），画点时按拓扑自动连线。
• 掩码类（Brush/Polygon Fill）：实例分割任务。画笔逐像素涂抹，或用多边形填充，导出时转为掩码。

• 3D 立方体（Cuboid）：点云与多视角图像场景，对应"视频与 3D 点云"一节。

常用快捷键（默认值，可在界面设置中自定义）：

两个提效习惯：连续多帧重复选同一类别时，选中对象后复制到其他帧再微调；标注偏离边界时开自动贴边，省去手动对齐。

模型先标、人来校：AI 辅助标注流程

AI 辅助标注的正确用法是"模型出初稿，人做修订"，而不是直接采用模型输出。操作分三步：

1. 启用模型服务。社区版自动标注基于 serverless 组件，叠加启动：

docker compose -f docker-compose.yml -f components/serverless/docker-compose.serverless.yml up -d

2. 部署模型函数。用nuctl部署你需要的预置模型，仓库 serverless/ 目录下按框架（ONNX、OpenVINO、PyTorch、TensorFlow）提供了检测、分割、姿态、跟踪类函数，例如 YOLO v7 检测器、SAM 分割交互器、HRNet 全身姿态估计。
3. 在界面触发标注。任务页打开 Auto Annotation，选择模型与要标注的标签范围，对选定作业/帧区间执行，结果以草稿形式落到画布上，你只负责移动边角、删误检、补漏检。

适用边界要心里有数：预置模型在 COCO 类常见类别（人、车、常见物体）上效果可靠，换个领域（工业缺陷、医学影像）误检率会明显上升，此时建议部署自己微调的模型，而不是硬用预置模型。模型结果永远需要经过人工确认再标记为已完成。

视频标注与 3D 点云标注

视频标注不需要逐帧画。做法是：

• 关键帧标注：只在目标进入、消失或形态变化显著的帧上画标注，中间帧交给插值——CVAT 按关键帧自动生成轨迹，你对自动生成的框做小幅修正即可。
• 目标跟踪：给目标建立 Track 后，配合跟踪类模型（如 TransT）可自动外推目标在后续帧的位置，你再校正漂移。
• 长视频自动切成多段作业，多人可并行处理不同时间段。

3D 点云标注面向自动驾驶等场景。导入 Velodyne 点云及对应多视角图像后，画布同时呈现 Top、Side、Front 三个正交视图：在任一视图绘制 3D 边界框（Cuboid），其他视图同步联动，可单独调节尺寸、朝向和外观（按标签/实例着色、透明度、边框高亮）。

多人协作与标注质量控制

团队使用时建议这样组织：

• 组织与角色：创建 Organization 并把成员拉入，用 Viewer、Editor、Admin 等角色控制权限；管理员负责项目与任务，标注员只领作业。
• 任务分配：把作业指派给具体标注员（或开放自选领取），进度在任务页实时可见，谁做了多少、卡在哪个作业一目了然。
• 一致性标准：在项目里统一标签定义与属性规则，用带注释的示例帧作为"标注样例"；标注员对模糊案例可用评论和 Issue 功能提出疑问，而不是各自猜测。
• 校审：用 Viewer 角色或评审流程复查已完成作业；对关键类别可启用 Consensus（多人对同批数据独立标注后比对合并），差异大的样本回到标注员处重标。服务端还提供 Ground Truth 与 Honeypot 校验（通过 API 混入已知标准答案的测试题），量化标注员准确率。

导出交付：COCO、YOLO、VOC 怎么选

标注完成、状态标记为 Done 后，在任务或作业上触发数据集导出。CVAT 支持 20 余种格式，实现见 cvat/apps/dataset_manager/formats/。按下游框架选型：

• COCO（JSON）：检测和实例分割的通用格式，字段最全（含类别、属性、多目标实例），大多数深度学习框架都能读，拿不准时选它。
• YOLO / Ultralytics YOLO（TXT）：每目标一行的轻量文本格式，适合实时检测模型的训练流程。
• PASCAL VOC（XML）：经典检测格式，老项目兼容性好。
• KITTI、MOTS、CAMVID、Cityscapes、Open Images等：对应自动驾驶、多目标跟踪、特定数据集的约定格式，按你的 benchmark 要求选择。

导出时注意两个选项：是否包含原始媒体文件（只导标注还是打包整套数据集），以及掩码的编码方式（掩码类任务可选 PNG 或 RLE）。建议第一次导出用一个小任务验证文件结构与字段名，再执行全量导出。

踩坑速查：部署与使用常见问题

下一步

先按本文流程把一个小数据集完整跑一遍：部署 → 建项目 → 标注 → 导出 COCO，熟悉每步的入口。之后再把数据量放大、把 serverless 模型接进来提效，团队协作时补上角色分配与校审环节。遇到具体报错，优先看容器日志和 components/analytics/ 下的监控面板，大多数部署问题都能在那里定位到。

【免费下载链接】cvatComputer Vision Annotation Tool (CVAT) is a leading platform for building high-quality visual datasets for vision AI. It offers open-source, cloud, and enterprise products, as well as labeling services, for image, video, and 3D annotation with AI-assisted labeling, quality assurance, team collaboration, analytics, and developer APIs.项目地址: https://gitcode.com/GitHub_Trending/cvat/cvat