如何用CVAT做数据标注：从部署到导出的完整指南-开发者社区

如何用CVAT做数据标注：从部署到导出的完整指南

【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

做视觉模型的第一步往往卡在数据上：手头有一批图片、视频或点云，需要人工框出目标、标出关键点，最后喂给训练框架。CVAT（Computer Vision Annotation Tool）就是为这件事而生的开源标注平台——它把"建任务、导入数据、画标注、质检、导出训练格式"串成一条完整的流水线，支持多人协作，还能接入你自己的检测或分割模型来预生成标注。

下面按一条真实业务流走一遍：先把服务跑起来，完成第一个标注任务，再按你的数据类型选功能，最后讲清楚质检标准和导出格式怎么选。

在自己机器上跑起CVAT

环境要求与最小化部署

环境要求只有一行清单：Docker Engine + Docker Compose，8GB 以上内存（建议 16GB），50GB 磁盘。默认部署不需要数据库和外部依赖，PostgreSQL、Redis 都包含在 Compose 栈里。

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

第一条命令拉取代码（详见仓库 README.md），第二条启动全部容器，第三条创建管理员账号。等 1~2 分钟后，浏览器打开http://localhost:8080，用刚创建的用户登录。如果你的部署环境需要绑定特定 IP 或域名，在启动前设置CVAT_HOST环境变量即可，路由会自动指向它。

判断服务是否就绪

首页能正常显示登录框即服务就绪。后台容器包括 server、UI、多个 worker 和调度器，首次启动拉取镜像较慢，属正常现象；日志中 worker 全部显示 RUNNING 后再开始上传大文件。

走通第一个标注任务

创建任务并定义标签

登录后进入 Tasks 页，点击 "Create a new task"。创建页分三步：

Basic configuration：填任务名，选它所属的 Project（可先建一个空项目），用 Add label 定义标签，如car、person。
标签属性：给标签加属性（如occlusion的 0/25/50/100），标注时每个对象都会带上这些字段，导出后直接可用。
Select files：支持本机上传、挂载的共享目录、远程 URL 和云存储（S3/Azure）四种来源，图片、视频、压缩包都接受。

完成一轮标注并保存

提交后 CVAT 按帧数把任务拆成若干 Job，进入第一个 Job 开始标注：

左侧工具栏选择标注类型：矩形框、多边形、折线、关键点、立方体等，对应不同任务需求。
右键画布可切换标签和颜色，右侧面板可编辑对象的属性、score 和所属 track ID。
逐帧标注完点 Save 提交，进度自动记录在 Job 上；下一张/上一张帧用快捷键 N/P 切换，比点按钮快得多。

一个任务的完整业务流就是：建任务 → 定标签 → 导入数据 → 逐帧/逐图标注 → 保存提交 → 导出。走通这一遍后，后续所有场景差异只是"换一种数据类型"和"加一层质检"。

按场景选能力

静态图像批量标注

图像任务的技巧在"复制"上：框完一个对象后，复制该 shape 到相邻帧或相邻图像，微调位置即可。CVAT 的 shape 支持"复制到所有帧"，适合目标几乎不动的序列图。属性配置放在标签上（而不是每个对象手填），批量效率差异明显。

视频任务：关键帧 + 插值 + 跟踪

视频是 CVAT 的主场，三层机制叠加使用：

关键帧标注：只在全局关键帧（Global keyframe）上画标注，不用逐帧画。
插值（Interpolation）：在两个关键帧之间，CVAT 按几何关系自动生成中间帧的标注位置，画完首尾两帧后中间几十帧自动补全。
跟踪器：对连续运动的目标，可在 shape 上用 MIL 等内置跟踪器把标注"跑"过一段帧序列，减少手工拖拽。

3D 点云任务

自动驾驶、机器人场景用点云任务：导入 PCD 文件或带多相机图像的点云包，画布提供 Top/Side/Front 多视角联动，标注对象是 3D 立方体（cuboid），可拖动调整长宽高和朝向。仓库内置的 KITTI、Velodyne 点云导出格式就是为这类场景准备的。

用模型预生成标注

CVAT 的自动标注走"接入你自己的模型"路线：启动 serverless 组件（Compose 栈附带的 serverless/ 目录提供了 SAM、YOLOv7、RetinaNet、HRNet 姿态估计等预置函数模板），部署后在创建任务页选择模型，提交时系统对全部帧跑一遍推理，标注以"待确认"状态落画布，人工只做修正。对大规模数据集，这一步通常能省掉一半以上的手动框选。

多人协作与分工

团队场景用 Project + Organization：任务拆成 Job 后指派给不同标注员，各自独立提交；用 Comments 和 Issues 对具体 shape 或帧发起讨论、报 bug。对需要高一致性的数据，开启 Consensus 模式：同一 Job 生成多份副本由不同人标注，最后按投票规则合并，减少单人偏差。

质检与数据导出

怎么算合格

项目级 Quality control 面板允许设置验收规则：选定目标度量（如 Accuracy）和阈值（如 70 分），系统按帧比较不同标注员的结果，低于阈值的 Job 会被标出。它支持勾选是否比较属性、是否要求空帧也必须标注，还可以按 Job 过滤范围。配合前文的 Issues 机制，返工范围可以精确到单个对象。

导出什么格式、给谁用

在 Job 或 Task 页选 "Export annotations"，CVAT 提供 20+ 种格式，按下游框架选：

下游用途	推荐格式
通用检测训练（PyTorch 生态）	COCO (JSON)
YOLO 系列训练	YOLO (TXT)、Ultralytics YOLO (TXT/YAML)
经典检测基线	Pascal VOC (XML)
自动驾驶点云/标定	KITTI、Velodyne 点云
多目标跟踪	MOT、MOTS
语义/实例分割	Mask 格式（含类别掩码与实例掩码）
其他平台互通	Datumaro、LabelMe

格式决定字段结构（比如 COCO 带完整图像尺寸与 category 映射，YOLO 只有归一化坐标），选格式前先确认训练脚本读什么，比标注完再转换省事。导出是异步任务，完成后页面提供下载链接。

三个高频问题

问：打开 8080 端口一直转圈或 502？容器还没起完。用docker compose ps确认 server、ui 都是 Running 再刷新；远程访问时记得先设置CVAT_HOST，否则路由只认 localhost。

问：自动标注页面没有模型可选？社区版默认不部署任何模型。需要先加入 serverless 组件启动栈，再用 nuctl 把某个模型函数部署上去，模型才会出现在下拉框里。不需要自动标注的团队可以完全跳过这一步。

问：机器内存吃紧、上传视频卡住？8GB 是底线。降低内存占用的直接手段：不装 serverless 组件、减少同时上传的大视频、把视频任务帧率/分辨率调低。worker 数量可按需缩减。

小结

回看整条业务流，要点是：

Docker Compose 一条命令起服务，8080 端口 + superuser 登录
任务 = 标签定义 + 数据源 + 拆分 Job，走通一次即可复用
视频用"关键帧 + 插值 + 跟踪"，3D 用多视角 cuboid，规模大再接入模型预标注
验收靠 Quality control 的指标阈值 + Consensus 合并，导出格式对齐下游框架

数据标注没有捷径，但工具链选对之后，剩下的工作量是线性可预期的。CVAT 把这条链路里的每一步都落在了本地环境里，数据不出内网，格式直接对接训练侧——这正是自托管开源版相对托管服务最实际的价值。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

如何用CVAT做数据标注：从部署到导出的完整指南