Tiger AI Plateform平台中外接标注工具操作说明（小白入门）

适用平台：Tiger AI / CV_PythonVue_TigerPro
入口：AI 智能识别 → 模型训练 → 数据标注 → 标注工具
本文说明三款外接辅助工具：X-AnyLabeling、CVAT、Roboflow Annotate的配置与逐步操作，并举例到「能训练」为止。

配套文档：数据标注功能说明（含内置 Web 画框、抽帧、构建训练集）。

0. 先搞懂：四套工具各自干什么

平台同时提供4 套互不影响的标注方式：

重要概念：回灌

• 外接三工具标完后，标签先在各自「工作区」，不会自动进入训练目录。
• 需要在平台点「回灌 raw（合并/覆盖）」，才会写到raw/labels。
• 之后才能在「数据集管理」里点「构建」→「训练」。

抽帧/上传图片 → 用某一套工具标注 →（外接工具需回灌）→ 构建 → 训练

1. 开始前必做（所有工具通用）

1.1 登录与权限

1. 启动后端与前端（开发环境常见：后端5001，前端npm run dev）。
2. 使用有模型训练权限的账号登录。
3. 确认菜单能打开：模型训练。

1.2 准备一个数据集（举例：停车场车辆）

目标：标注两类目标car、license_plate，约 50～200 张图。

步骤 A：新建数据集

1. 打开模型训练 → 数据集管理。
2. 点击新建数据集。
3. 填写示例：

4. 保存。

步骤 B：准备图片

任选其一：

• 抽帧：表格行点抽帧→ 选一段监控视频 → 间隔例如10、最多100张 → 开始抽帧。
• 上传：点上传，选择多张.jpg/.png。

抽帧成功后，平台通常会自动跳到数据标注。

步骤 C：进入标注工具页

1. 模型训练 → 数据标注 → 标注工具。
2. 顶部选择数据集选中parking-demo。
3. 点刷新状态，确认显示图片数量。

到这里，三套外接工具的「原料」（图片）都准备好了。

2. 配置密钥（CVAT / Roboflow 必做）

编辑文件：backend/.env（不要提交到 Git）。

# Roboflow：服务端用 Private Key ROBOFLOW_API_KEY=你的私钥 ROBOFLOW_PUBLIC_API_KEY=你的公钥（可选） ROBOFLOW_WORKSPACE=你的工作区slug（可选，不清楚可留空） # CVAT：云端一般为 https://app.cvat.ai ；自建则改成你的地址 CVAT_URL=https://app.cvat.ai CVAT_TOKEN=你的Personal_Access_Token

改完后必须重启后端，配置才生效。

如何判断配置成功：

1. 打开标注工具，切换到CVAT/Roboflow。
2. 卡片右上角标签显示「已配置」（绿色）即表示就绪。
3. 若显示「未配置」，检查.env拼写与是否重启。

X-AnyLabeling不需要API Key，只需本机安装软件。

3. X-AnyLabeling（本机桌面）详细步骤

3.1 这是什么

X-AnyLabeling 是装在电脑上的标注软件，支持 SAM、YOLO 等 AI 辅助。适合：数据敏感、不想上云、需要智能分割/检测辅助。

3.2 本机安装（首次）

1. 打开项目主页，按官方文档安装（Windows 可用安装包或 pip）。
2. 能正常打开软件即可，不必和平台装在同一台服务器上（标注员电脑也可）。

3.3 在平台上的操作（举例parking-demo）

① 导出标注包

1. 标注工具→ 选数据集parking-demo。
2. 切换到X-AnyLabeling。
3. 点击导出标注包。
4. 浏览器会下载类似xany_dataset_12.zip的文件。

解压后大致结构：

images/ ← 用软件打开这个目录 classes.txt ← 类别列表（与平台一致） labels/ ← 若之前有续标标签可能存在 README.txt

② 在 X-AnyLabeling 里标注

1. 启动 X-AnyLabeling。
2. 打开目录：解压后的images/。
3. 按classes.txt配置类别（顺序必须与平台一致，例如先car后license_plate）。
4. 逐张画框或使用 AI 辅助生成框，并检查类别。
5. 导出为 YOLO 格式标签（得到一批与图片同名的.txt，或含labels/的 zip）。

小白提示：

• 框尽量贴合目标，不要留过大空白。
• 一张图可以有多个框（多辆车、多个牌）。
• 类别 ID 从 0 开始：0=car，1=license_plate（取决于你在平台填的顺序）。

③ 导入回平台

1. 回到平台X-AnyLabeling面板。
2. 点导入 YOLO 标签，选择：
   • 含.txt的zip，或
   • 单个.txt（多文件可多次导入）。
3. 成功后，面板上「工作区已标」数量会增加。
   此时标签只在tools/xanylabeling/labels，还不能直接训练。

④ 回灌到训练目录

1. 点回灌 raw（合并）：同名标签覆盖到raw/labels，其它图保留。
2. 或回灌 raw（覆盖）：用本工作区标签整体替换raw/labels（慎用）。
3. 回到数据集管理→构建→ 再去建训练任务。

3.4 举例时间线（X-AnyLabeling）

4. CVAT（网页 + API）详细步骤

4.1 这是什么

CVAT 是专业在线标注平台。平台通过 API：推送图片 → 你在 CVAT 网页里标 → 再拉回 YOLO 标签。

4.2 准备账号

• 云端：注册 app.cvat.ai，创建 Personal Access Token，写入.env的CVAT_TOKEN，CVAT_URL=https://app.cvat.ai。
• 自建：Docker 部署后把CVAT_URL改成例如http://192.168.1.10:8080。

4.3 在平台上的操作（举例）

① 确认已配置

标注工具 → CVAT，右上角应为已配置。

② 推送到 CVAT

1. 选中数据集（如parking-demo）。
2. 点推送到 CVAT。
3. 等待完成（图片多时可能要几分钟）。
4. 成功后会出现「打开 CVAT 任务」链接——点开。

平台会大致创建：

• 项目名类似：tiger-parking-demo
• 任务名带时间戳

③ 在 CVAT 网页里标注

1. 浏览器打开任务页。
2. 按 CVAT 界面画矩形框，选择标签car/license_plate（与平台类别一致）。
3. 可用快捷键与跟踪辅助（视频场景更有优势）。
4. 全部标完后保存（CVAT 通常自动保存，以界面提示为准）。

小白提示：

• 第一次建议只推 20～30 张练手，熟悉后再推全量。
• 不要在平台「再推一次」覆盖混乱前，先确认旧任务是否还要保留。

④ 拉取标注

1. 回到平台CVAT面板。
2. 点拉取标注。
3. 成功后「工作区已标」增加（写入tools/cvat/labels）。

若 API 导出异常，可用手动导入 YOLO：在 CVAT 里导出 YOLO 1.1 zip，再在平台点「手动导入 YOLO」。

⑤ 回灌

点回灌 raw（合并）或覆盖，再去构建 / 训练。

4.4 举例时间线（CVAT）

5. Roboflow Annotate（云端 + API）详细步骤

5.1 这是什么

Roboflow 提供云端标注与数据集版本。平台：上传图片 → 你在 Roboflow 网页标 → 生成版本后拉取 YOLO。

5.2 准备账号

1. 打开 Roboflow API Settings。
2. 将Private API Key写入ROBOFLOW_API_KEY。
3. （可选）填写ROBOFLOW_WORKSPACE为工作区 slug。
4. 重启后端。

5.3 在平台上的操作（举例）

① 推送到 Roboflow

1. 标注工具 → Roboflow，确认已配置。
2. 选数据集parking-demo。
3. 点推送到 Roboflow。
4. 完成后点打开 Roboflow 标注（若有链接）。

项目名通常类似：tiger-parking-demo。

② 在 Roboflow 网页标注

1. 在 Roboflow 中为图片画框、设类别。
2. 可使用其 Assist / 自动标注加速。
3. 标注到一定数量后，在 Roboflow 中Generate / 创建 Dataset Version（生成带版本号的数据集，如 Version 1、2）。

小白提示：

• 必须先有版本，平台「拉取版本」才有东西可下。
• 版本号在面板里用数字填写（如1），与 Roboflow 网页上的 Version 一致。

③ 拉取版本

1. 在平台 Roboflow 面板，版本号输入框填1（或你的版本）。
2. 点拉取版本。
3. 标签进入tools/roboflow/labels。

也可手动导入 YOLO（从 Roboflow 下载的 YOLO zip）。

④ 回灌 → 构建 → 训练

与前面相同：回灌 raw → 数据集构建 → 新建训练任务。

5.4 举例时间线（Roboflow）

推送 100 张 → 网页标完 → Generate Version 1 → 平台填版本 1「拉取版本」→「回灌 raw（合并）」→「构建」→ 训练 YOLO26n

6. 三种工具怎么选（小白决策）

可以混用，但注意：

• 各工具工作区独立；最终以回灌进raw/labels的那份为准去构建。
• 不要同一批图在三个工具各标一遍又乱回灌，容易覆盖搞混。建议一个数据集主用一套外接工具。

7. 完整举例：从 0 到第一次训练（推荐路径）

场景：小区门禁视频，标注车辆与车牌，先用 X-AnyLabeling。

1. 新建数据集gate-v1，类别：car、plate。
2. 抽帧：间隔 15，最多 120 张。
3. 标注工具 → X-AnyLabeling →导出标注包。
4. 本机 X-AnyLabeling 打开images/，用 AI 辅助标完，导出 YOLO。
5. 平台导入 YOLO 标签→回灌 raw（合并）。
6. 数据集管理 →质量检测（可选）看漏标。
7. 构建。
8. 训练任务：基座选yolo26n或yolo26s，开训。
9. 训练完成后部署到模型管理，再去业务页试用。

若改用 CVAT：第 3～5 步换成「推送 → 网页标 → 拉取 → 回灌」。
若改用 Roboflow：第 3～5 步换成「推送 → 网页标并生成版本 → 拉取版本 → 回灌」。

8. 目录对照（方便排查）

每个数据集在服务器上类似：

backend/uploads/datasets/<数据集ID>/ ├── raw/ │ ├── images/ ← 所有工具共用的图片 │ └── labels/ ← 训练真正读取的标签（Web 直接写；外接需回灌） └── tools/ ├── xanylabeling/labels/ ← X-AnyLabeling 独立工作区 ├── cvat/labels/ ← CVAT 独立工作区 └── roboflow/labels/ ← Roboflow 独立工作区

9. 常见问题（FAQ）

Q1：点 CVAT/Roboflow 显示未配置？

检查backend/.env是否填写、是否重启后端。CVAT 还需正确的CVAT_URL。

Q1b：CVAT 推送 401 Unauthorized？

云端 Personal Access Token 必须用Bearer鉴权（平台已自动识别xxxx.yyyy格式）。若仍 401：到 CVAT 重新生成 PAT，更新CVAT_TOKEN后重启后端。旧版自建 CVAT 登录 Token 可设CVAT_AUTH_SCHEME=token。

Q1d：CVAT 拉取 410 Gone？

云端已废弃同步下载GET .../dataset?action=download。平台现使用异步流程：POST .../dataset/export→ 轮询requests→ 下载result_url。请重启后端后再点「拉取标注」。若提示任务不存在，请重新「推送到 CVAT」或确认 CVAT 网页中任务仍在。

Q1c：Roboflow 推送 422（name is invalid）？

Roboflow 项目名不能含中文。平台会自动生成 ASCII 名（如tiger-ds12-ds-xxxxxxxx）。更新代码后重新点推送即可。

Q2：推送成功但网页打不开？

• CVAT：检查 Token 权限、URL 是否可访问。
• Roboflow：检查网络与 API Key 是否为PrivateKey。

Q3：拉取后「工作区已标」有数，构建仍像没标签？

忘记回灌 raw。构建读的是raw/labels，不是tools/.../labels。

Q4：回灌合并和覆盖有什么区别？

• 合并：把工具区的.txt拷到raw/labels，同名覆盖，其它已有标签保留。
• 覆盖：先清空raw/labels再拷贝（会丢掉仅存在于 raw、不在该工具区的标签）。

Q5：X-AnyLabeling 类别顺序乱了？

以平台数据集里的类别顺序为准。classes.txt第 1 行是 class_id=0。改顺序后需重新导出/对齐标签。

Q6：Roboflow 拉取报错找不到版本？

先在 Roboflow 网页Generate Version，再在平台填对应版本号拉取。

Q7：能否只标一部分图？

可以。未标的图没有对应.txt时，构建一般只配对「有标签的图」。建议重要类别尽量标全。

Q8：import 格式数据集？

平台说明：import格式不走这套在线/外接工作区，请按外部目录规范自行标注后构建。

10. 按钮速查表

11. 相关链接

• 平台内置标注与抽帧：数据标注功能说明
• X-AnyLabeling：GitHub CVHub520/X-AnyLabeling
• CVAT 云端：app.cvat.ai
• Roboflow API：app.roboflow.com/settings/api

最近建了一个AI技术交流群，加我wx：hhhxy666666，备注：AI，即可进群学习和交流；商务合作可私信。
另外文章项目已开源：https://github.com/5758703/CV_PythonVue_TigerPro
觉得不错，Star一下，赏杯咖啡钱

文档版本：与平台「四套独立标注工具」功能配套。若界面按钮文案有少量调整，以实际页面为准，流程不变：选数据集 → 外接标注 → 回灌 → 构建 → 训练。