基于Yolov8实现在Label-Studio实现半自动标注

• 一、label studio 安装启动

• 1、建议是通过 pip 安装，其配置更清晰方便。环境安装完成后在任意位置打开命令行：

• pip install label-studio

• 2、使用以下命令启动 label studio

label-studio --data-dir LabelStudio -p 8123

       其中 --data-dir 用于指定工作目录， -p 用来指定运行端口，运行成功后会当前目录会生成 LabelStudio 目录。

    3、运行后会启动如下界面：

• 二、label studio ml 安装

label studio ml 是 label studio 的后端配置，其主要提供了一种能够快速将AI模型封装为 label studio 可使用的预标记服务（提供模型预测服务）。其安装方法有以下几种：

        1、  GitHub 安装（再起env一个环境，要不然会冲突）

git clone https://github.com/HumanSignal/label-studio-ml-backend.git
#离线下载地址：https://download.csdn.net/download/zhulong1984/91906097cd label-studio-ml-backend/pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple

[报错解决] Failed to connect to github.com port 443 after ***** ms: Couldn‘t connect to server

参考网址：https://blog.csdn.net/m0_64007201/article/details/129628363

        2、pip 安装：

pip install label-studio-ml（暂时不用）

仍然建议通过 pip 安装，GitHub 安装可能会有依赖问题。安装完成后使用 label-studio-ml -h 命令检查是否安装成功。

三、前端配置

在 label studio 前端主页中选择创建项目：

1. 项目基本信息

1. 导入数据

直接将图片选中拖入数据框即可。

1. 选择标记模板

label studio 内置了很多常见的深度学习标记模板，本示例是车辆、人等，所以选择 Object Detection with Bounding Boxes 模板，确定后将模板内自带的 Airplane 、 Car 标签删除，然后添加自定义的标签 people、car （标签的类别数量可以比后端支持的类别多，也可以更少，但是同类别的标签名必须一致）。

此时我们已经可以通过 label studio 进行普通的图片标记工作，如果要使用其提供的辅助预标记功能，则需要进行后续配置。

• 后端配置

由于图像技术方面目标检测任务对预标注功能较为需求，以下目标检测任务为例。

1. 编写后端项目的推理代码，实现模型预测功能；
2. 继承label_studio_ml.model.LabelStudioMLBase类，重写方法：

针对自动预标注功能，主要重写predict方法，将输出格式化成label studio所需的json格式（参考官方文档：https://labelstud.io/guide/predictions.html）。

参考文档：https://blog.csdn.net/qq_40260565/article/details/141418885