CVAT 数据标注完整指南：从一键部署到团队批量协作-育师

CVAT 数据标注完整指南：从一键部署到团队批量协作

【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

CVAT 数据标注（Computer Vision Annotation Tool）是一个开源的视觉数据集生产工具：给它一批图片、视频或 3D 点云，它负责标注、质检和团队协作，最终产出可直接用于模型训练的数据。这篇文章不照功能清单平铺，而是按你"从零走到独立干活"的实际路径来：先把服务跑起来并初始化，再建出第一个标注项目（顺便把分工和质检配好），然后按手头数据的场景挑标注方式，最后留一节讲最常见的坑。

一条命令部署 CVAT：数据标注服务的安装与初始化

部署前确认三件事

装之前花一分钟核对环境，能省掉后面一半的排查时间：

操作系统是主流 Linux 发行版（Ubuntu 20.04/22.04、CentOS 7/8 均可）
Docker 版本不低于 20.10.0
内存 8GB 起步（16GB 更从容），磁盘至少留出 20GB 可用空间

克隆仓库并启动

CVAT 安装教程里最省事的一步就是下面这条命令：克隆仓库后直接启动，后端 API、前端界面、数据库、缓存服务会一起拉起来，不用逐个组件配置：

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

首次启动需要 2–5 分钟初始化。开着docker-compose logs -f盯日志，等各个容器依次就绪，说明部署成功——此时浏览器访问 8080 端口对应的地址，就能看到 CVAT 数据标注的登录页，部署这一步就验证完成了。

初始化数据库与管理员账号

服务起来后还有两步收尾工作：在服务器容器里执行数据库迁移（python3 manage.py migrate）把表结构建好，再用python3 manage.py createsuperuser创建管理员账号，按提示填用户名、邮箱和密码。之后所有登录、建项目、分权限都从这个账号开始。

建第一个标注项目：上传、分活、质检一条龙

登录后的第一站是 Projects 页面：先建项目、定义好标签类别，再在项目下创建任务、上传数据。值得一提的是，创建任务这一步就决定了你后面用哪种标注方式——

如上图，建任务时可以顺手选一个自动标注模型（比如人体姿态估计），然后从本地、共享文件、远程源或云存储里挑数据，支持图片、视频和多图压缩包，拖进去即可。

协作与质检在这一步就配好

数据一落地，就该把团队拉进来，别等标完了再分工：邀请成员进项目、按角色分配权限，再把标注任务按 Job 切分派给不同的人，谁标到第几帧、整体进度如何，都在任务页实时可查，任务详情页大致长这样：

质量方面同理，别等交付才发现问题：在项目里挂上标注质量评估规则，让多人对同一批数据交叉标注，不达标的样本会被挑出来复核。想看实现的话，质检逻辑在后端 cvat/apps/quality_control/，共识标注在 cvat/apps/consensus/，前端交互代码在 cvat-ui/src/。

按场景选标注方式：批量、精细、点云

标注能力不用一次学全，看你手头的数据落在哪个场景。

大批量数据：CVAT 自动标注先跑一遍

数据量大时纯手标不现实。CVAT 内置了目标检测、人体姿态估计、语义分割等自动标注模型，标准打法是"模型先标、人工再修"。在任务里打开自动标注对话框，选一个检测模型，把模型输出的类别一一映射到项目标签，还可以框一个感兴趣区域（ROI）只标注局部，然后点 Annotate 开跑：

模型跑完的初标结果交给人逐条修正即可，比从零画框快得多，特别适合大批量数据的场景。想扩展模型库，可以参考 serverless/ 下的模型服务部署配置。

精细标注：形状工具、刷选与属性

需要精确到轮廓或关键属性时，切回手动工具。形状工具覆盖矩形、多边形、点、折线等；分割类任务有刷选（brushing）工具，直接用画笔涂出 mask，不用逐点描边：

如果光有类别不够、还要记录属性（例如性别、是否佩戴眼镜），就切换到属性标注模式：先给对象打框，再在右侧面板逐项填写属性值，标签和属性在同一视图里管理：

![CVAT 数据标注属性标注模式：框选人脸后填写性别等属性字段](https://raw.gitcode.com/GitHub_Trending/cvat/cvat/raw/2b75e8fdc0a4242b93deea076c1bbad7c8e67c85/site/content/en/images/Attribute annotation mode_01.png?utm_source=gitcode_repo_files)

画布层的交互实现在 cvat-canvas/src/，想调整绘制或渲染行为可以从这里入手。

自动驾驶：CVAT 3D 点云标注

车端、工业质检这类场景用 3D 画布：加载点云后，上方主视图配合下方 Top / Side / Front 三个正交视图同步操作，标一个三维目标，各视角同时更新。多视角同步标注、点云数据导入、三维目标识别与跟踪都在这里完成。

三个高频故障的快速排查

服务起不来：先docker-compose down，再docker-compose up -d。多数"玄学"启动失败是容器残留状态，重启一次就好。
8080 端口被占用：改 docker-compose.yml 里的端口映射，换个空闲端口即可，服务本身不用动。
行为不对劲（上传卡住、数据丢失）：先跑docker-compose logs -f，看日志判断卡在后端、数据库还是存储层，再对症处理，别急着重装。