PaddleLabel 数据标注工具完全指南：从标注到 PaddleSeg 训练的全流程实战

• 人工智能
• 计算机视觉
• 预训练

导读

本文围绕 PaddleSeg 仓库中收录的 PaddleLabel 项目（contrib/PaddleLabel），系统讲解这一飞桨（PaddlePaddle）配套标注工具的核心能力与完整使用链路：从安装启动、样例项目快速体验，到图像分类、目标检测、语义/实例分割、交互式分割的标注实操与数据集格式规范，再到将标注结果直接用于 PaddleSeg（以及 PaddleClas、PaddleDetection、PaddleX）训练预测的全流程。读完本文，你将能够独立搭建标注环境、按规范组织并导出数据集，并基于导出结果完成一次完整的自定义图像分割模型训练与推理。

一、PaddleLabel 是什么

PaddleLabel 是基于飞桨 PaddlePaddle 各套件特性提供的配套数据标注工具，涵盖图像分类、目标检测、图像分割三类常见计算机视觉任务的标注能力，并同时支持手动标注与交互式（智能）标注两种模式。其设计目标非常明确：让用户方便快捷地标注自定义数据集，并将导出数据直接用于飞桨生态其他套件的训练与预测流程，从而打通"数据标注 → 模型训练 → 模型导出"的全流程。

从代码组织上看，PaddleLabel 的功能由三个仓库协作完成：

在 PaddleLabel README 中官方将它的核心特性概括为四点：

• 简单：手动标注直观易操作，上手成本极低；
• 高效：支持交互式分割和预标注，标注精度及效率提升显著；
• 灵活：分类支持单分类和多分类，分割支持多边形、笔刷及交互式分割等多种方式，可按场景需求自由切换；
• 全流程：与其他飞桨套件密切配合，可完成数据标注、模型训练、模型导出等全流程操作。

版本演进上，README 记录了两次关键发布：2022-08-18 发布 0.1 版本（具备分类、检测、分割三大任务的基础标注能力）；2022-11-30 发布 0.5 版本（全面升级三类任务的标注界面，新增 PPLCNet 分类预标注、PicoDet 检测预标注，优化语义/实例分割的实例区分与交互式分割的 localStorage 存储问题）。从仓库中EISeg/requirements-det.txt仅含paddlelabel_ml一项可以看出，PaddleLabel 的机器学习扩展正是与仓库内 EISeg 交互式分割能力同源配套的组件。

二、安装与启动

官方文档 安装指南 建议先创建独立的虚拟环境以避免环境冲突：

conda create -n paddlelabel python=3.10 conda activate paddlelabel

随后可通过以下三种方式之一安装，其中 pip 安装最简单。

2.1 pip 安装（推荐）

pip install --upgrade paddlelabel

看到类似Successfully installed paddlelabel-0.5.0的输出即安装成功。

2.2 下载最新开发版

PaddleLabel 团队会不定期通过 GitHub Action 构建反映最新代码的安装包（未经全面测试，可能修复了 PyPI 版本中的问题并带来性能提升）。步骤为：进入 Action 执行记录页，选择最新一次执行，下载名为PaddleLabel_built_package的产物，解压后执行：

pip install [解压出的.whl文件名，如 paddlelabel-0.2.0-py3-none-any.whl]

2.3 源码安装

1. 克隆后端代码（本项目）；
2. 克隆并构建前端，需先安装 Node.js 与 npm：

git clone https://github.com/PaddleCV-SIG/PaddleLabel-Frontend cd PaddleLabel-Frontend npm install --location=global yarn yarn npm run build

3. 将构建产物复制到后端静态目录：

cd ../PaddleLabel/ mkdir paddlelabel/static/ cp -r ../PaddleLabel-Frontend/dist/* paddlelabel/static/

4. 安装后端：

python setup.py install

2.4 启动

安装完成后，终端直接执行：

paddlelabel # 启动 paddlelabel pdlabel # 缩写，与 paddlelabel 完全相同

PaddleLabel 默认运行在http://127.0.0.1:17995上，并会自动在浏览器中打开网页（推荐使用 Chrome）。常用启动参数：

paddlelabel --port 8000 --lan # 指定端口并暴露到局域网

• --port/-p：指定服务端口；
• --lan/-l：将服务暴露到局域网，可实现"电脑上运行 PaddleLabel、平板上进行标注"的使用方式；在 docker 中运行时也必须添加该参数。

三、快速体验：内置样例项目

为了帮助用户快速上手，PaddleLabel 内置了示例项目。网页打开后，点击首页左上角"项目样例"即可进入样例选择界面，其中提供分类、检测、实例分割、语义分割四类样例项目卡片，点击卡片即进入对应样例项目的总览。

样例项目的总览界面上方提供了一系列数据集管理功能按钮：

• 项目设置：修改项目名称和描述；
• 划分数据集：对数据集进行训练/验证/测试子集的划分；
• 导入额外数据：向当前数据集导入更多数据；
• 导出数据集：将数据集中的图片和标注信息导出；
• 去标注：跳转到标注页面。

创建样例项目后，所有样例数据会被解压到~/.paddlelabel/sample文件夹（分类、检测、语义分割、实例分割各有对应的 sample 子目录），可以作为组织自己数据集的参考模板，详见 数据集文件结构说明。

四、数据集文件结构基础：labels.txt 与 xx_list.txt

在深入各任务的标注流程前，有必要先理解 PaddleLabel 的通用数据组织规范，这部分是 common.md 与 数据集文件结构说明 的核心内容。

4.1 无标注数据集

如果数据集不含任何标注，只需把所有图像文件放在一个文件夹下。PaddleLabel 会遍历文件夹（含所有子文件夹）中的所有文件，按文件扩展名判断类型并导入全部图像；所有隐藏文件（文件名以.开头）会被忽略。

⚠️ 注意：PaddleLabel 可能会修改数据集文件夹下的文件（例如"导入更多数据"时新文件会被移动到项目数据集文件夹，以避免复制数据集、节省磁盘空间）。目前它不会删除盘上任何内容，但强烈建议导入前复制一份数据集作为备份；使用过程中数据集根目录下会生成paddlelabel.warning文件，请避免手动改动文件夹内文件。

4.2 labels.txt：标签定义文件

所有不使用 COCO 格式保存标注的项目都支持labels.txt，PaddleLabel 在导入时会在数据集路径下寻找该文件，每行列出一个标签：

# labels.txt Monkey Mouse

标签名称支持任意字符串，但标签名可能被用作导出数据集的文件夹名，因此应避免操作系统不支持的字符；同时飞桨生态其他工具对标签名可能有进一步限制（例如 PaddleX 不支持中文字符作为标签名）。

labels.txt每行可携带比标签名更多的信息，目前支持 4 种格式（|表示分隔符，默认为空格）：

其他语法规则：

• //：其后内容作为标签注释；
• -：在标签编号位置写-表示想指定颜色但不指定编号。

示例：

dog monkey 4 mouse - #0000ff // mouse's id will be 5 cat 10 yellow zibra 11 blue // some common colors are supported snake 12 255 0 0 // rgb color

导入时 PaddleLabel 会先创建labels.txt中指定的标签，其编号从 0 开始递增；导出时也会生成该文件。语义/实例分割的掩膜导出中，labels.txt第一行固定为背景类，且每个标签必须指定颜色（如optic_disk - 128 0 0）。

4.3 xx_list.txt：数据集划分与匹配文件

xx_list.txt包括train_list.txt、val_list.txt、test_list.txt，位于数据集根目录。它们指定数据集的划分以及标签/标注文件与图像文件的匹配关系，每行以一条数据的相对路径开头，后跟表示类别的整数/字符串或标签文件的路径：

# train_list.txt（分类场景） image/9911.jpg 0 3 image/9932.jpg 4 image/9928.jpg Cat

# train_list.txt（VOC 检测场景） JPEGImages/1.jpeg Annotations/1.xml JPEGImages/2.jpeg Annotations/2.xml JPEGImages/3.jpeg Annotations/3.xml

关键规则：

• 大多数项目只用xx_list.txt中的数据集划分信息（如单分类项目中这三个文件里的类别信息不会被导入）；
• 标签类别为整数时，PaddleLabel 会在labels.txt中查找标签（id 从 0 开始）；若想用数字作标签名，可把数字写入labels.txt并在 list 文件中给出 id，或加前缀如n10；
• 三个文件在导出时都会生成（即使为空）；为确保其他飞桨工具可读取，没有标注的数据不会包含在xx_list.txt中。

4.4 COCO 格式的注意事项

所有使用 COCO 格式保存标注的项目不支持xx_list.txt与labels.txt，标注信息集中在train.json、val.json、test.json中。COCO 项目导入时会在数据集路径下寻找这三个 json 文件并解析训练/验证/测试数据，要求每个图像在三个 json 中只被定义一次，否则导入失败。PaddleLabel 在 COCO 的category中扩展了一个color字段（非官方标准，会随导入导出保留），用于类别颜色标注。

五、图像分类标注

PaddleLabel 支持单分类与多分类两种分类标注，详见 图像分类标注。

5.1 单分类（ImageNet 格式）

每条数据只有一个类别，数据集路径填写待标注图片所在文件夹的绝对路径。导出格式示例如下：

Dataset Path ├── Cat │ ├── cat-1.jpg │ ├── cat-2.png │ └── ... ├── Dog │ ├── dog-1.jpg │ └── ... ├── monkey.jpg ├── train_list.txt ├── val_list.txt ├── test_list.txt └── label.txt # labels.txt Monkey Mouse

单分类中图像所在文件夹名称即视为其类别，因此上例中三张猫图、三张狗图会被自动分类，而monkey.jpg没有分类；若与文件夹同名的标签不存在，导入时会自动创建。为避免冲突，单分类项目只导入xx_list.txt的划分信息（类别信息不导入）。

5.2 多分类

一条数据可有多个类别，类别仅由xx_list.txt决定，不考虑文件夹名称。导出格式示例：

Dataset Path ├── image │ ├── 9911.jpg │ ├── 9932.jpg │ └── monkey.jpg ├── labels.txt ├── test_list.txt ├── train_list.txt └── val_list.txt # labels.txt cat dog yellow black # train_list.txt image/9911.jpg 0 3 image/9932.jpg 2 0 image/9928.jpg monkey

5.3 创建项目与标注操作

创建项目时需填写：项目名称（必填）、数据集路径（必填，可直接复制粘贴本地文件夹绝对路径）、数据集描述（选填）、分类项目类型（必选，单分类/多分类）。标注界面分五个区域：上方为可切换标签页，下方为标注进度，左侧为图像显示区与工具栏，右侧为标签列表。标注步骤：

1. 点击右侧"添加标签"，填写信息创建标签；
2. 选择当前图像对应的标签（多分类可多选），点击后自动保存；
3. 点击左右按钮切换图像，重复操作直至标注完毕；
4. 通过下方进度展示查看标注进度。

5.4 分类自动标注（预标注）

PaddleLabel 提供基于 PaddlePaddle 的分类自动标注能力，详细步骤见 图像分类自动标注。使用前提是安装 ML 扩展（pip install paddlelabel与pip install paddlelabel_ml，PaddlePaddle 版本要求>= 2.2.0），并分别启动前端与 ML 后端：

paddlelabel # 前端 paddlelabel_ml # 机器学习后端

在"项目总览 → 自动推理设置"中配置：

• 机器学习后端网址（必填）：ML 后端地址，默认为http://127.0.0.1:1234；
• 模型选择（必选）：当前可选PPLCNetV2分类预训练模型；
• 使用预标注模型标签（必选）：选"是"则接受模型推理标签（检测到新标签会自动加入标签列表）；选"否"则需自行建立标签对应关系；
• 标签对应关系（非必填）：当不使用模型标签时，左侧选择框为模型推理标签（支持模糊搜索），右侧为用户自定义标签，可建立一一对应。

进入标注页后点击"自动推理"，预测结果即显示到标签列表中；若提示"未发现高置信度结果"，可调低"推理阈值"后重试；对结果不满意可"清空标注"后手动添加标签。

六、目标检测标注

PaddleLabel 的目标检测标注支持PASCAL VOC、COCO、YOLO三种数据集格式，详见 目标检测标注。

6.1 PASCAL VOC

每张图像对应一个 xml 标注文件：

数据集路径 ├── Annotations │ ├── 0001.xml │ ├── 0002.xml │ └── ... ├── JPEGImages │ ├── 0001.jpg │ ├── 0002.jpg │ └── ... ├── labels.txt ├── test_list.txt ├── train_list.txt └── val_list.txt

xml 结构为标准的<annotation>根节点，内含<folder>、<filename>、<size>（width/height/depth）以及每个<object>的<name>与<bndbox>（xmin/ymin/xmax/ymax）等字段。导入时 PaddleLabel 将数据集路径下所有.xml文件作为标签，并通过 xml 中的folder与filename节点定位对应图像：无folder节点时默认值为JPEGImages；folder内容为空则认为图像位于/数据集路径/filename；filename节点必须存在，否则导入失败。

6.2 COCO

整个数据集的标注集中在（一个或少数几个）json 文件中。PaddleLabel 支持的核心字段如下（未列出的字段不会在导入时保存或导出，如date_captured）：

image{ "id": int, "width": int, "height": int, "file_name": str, } annotation{ "id": int, "image_id": int, "category_id": int, "area": float, "bbox": [x, y, width, height], } category{ "id": int, "name": str, "supercategory": str, "color": str // PaddleLabel 扩展字段，非 COCO 官方定义 }

图片与标注记录的匹配规则：取image['file_name']中最后的文件名与盘上图片文件名做大小写敏感的比对。建议将所有图片放在同一文件夹下避免重名歧义；若file_name是完整路径或相对路径，PaddleLabel 会按/和\分割提取文件名，因此请避免在文件名中使用/和\。

6.3 YOLO

每张图像对应一个同名 txt 文件（仅扩展名不同）：

数据集路径 ├── Annotations │ ├── 0001.txt │ ├── 0002.txt │ └── ... ├── JPEGImages │ ├── 0001.jpg │ ├── 0002.jpg │ └── ... ├── labels.txt ├── test_list.txt ├── train_list.txt └── val_list.txt

# 0001.txt 0 0.4 0.5 0.7 0.8 # 标签id 框中心x/图像宽 框中心y/图像高 框宽/图像宽 框高/图像高 # 标签id从0开始

YOLO 格式图像与标签完全靠文件名对应。若两张图仅扩展名不同（如cat.png与cat.jpeg），二者都会匹配cat.txt；为避免此情况，导入时 PaddleLabel 会将cat.png重命名为cat-1.png（这可能导致图像找不到对应标注文件，需查看运行命令行并调整文件名后重新导入）。无标注的图像可不提供标注文件或提供空文件，PaddleLabel 导出时不会为无标注图像生成空 YOLO 文件。

6.4 检测标注操作与自动标注

创建项目时填写项目名称、数据集路径（数据集根文件夹）、数据集描述（选填）与标签格式（选填，导入数据集的格式）。标注步骤：添加标签 → 选择标签 → 点击工具栏"矩形"在图上点击物体的左上角与右下角 → 可用"编辑"修改框的大小位置 → 切换图像重复操作。

注意：右侧标签栏有"标签列表"与"标注列表"两种，检测任务中标签列表对应类别，标注列表对应该类别的一个实例。

检测预标注的配置与分类类似（图像检测自动标注），可选模型为PicoDet，ML 后端地址默认http://127.0.0.1:1234，同样支持"使用预标注模型标签"与"标签对应关系"两个选项，以及推理阈值的调节。

七、语义分割与实例分割标注

分割任务是 PaddleLabel 与 PaddleSeg 衔接最紧密的环节，支持多边形与掩膜两种标注方式，详见 语义分割标注 与 实例分割标注。多边形与掩膜模式不可同时使用，须在创建项目时确定。

7.1 掩膜格式

语义分割掩膜项目有特殊要求：待标注图片需放在JPEGImages文件夹下，数据集路径填写JPEGImages的上层目录（其他任务直接填图片所在目录）。导出结构：

Dataset Path ├── Annotations │ ├── A0001.png │ ├── B0001.png │ └── ... ├── JPEGImages │ ├── A0001.jpg │ ├── B0001.png │ └── ... ├── labels.txt ├── test_list.txt ├── train_list.txt └── val_list.txt # labels.txt background - optic_disk - 128 0 0 // for pesudo color mask, color for each label must be specified

实例分割掩膜项目则直接填写待标注图片所在文件夹路径，标注文件为tiff 二通道格式（PNG 变成 TIFF）：第一个通道（下标 0）是类别标签，第二个通道（下标 1）是实例编号。

导入语义分割掩膜数据时，PaddleLabel 从labels.txt获取标签编号，第一个标签视为背景并赋编号 0；灰度标签按像素灰度值与标签编号匹配，伪彩色标签按像素颜色与labels.txt指定颜色匹配；若掩膜中存在无对应标签的标注，导入将失败。图像与标签的对应关系通过去掉扩展名后同名匹配确定（如image.png图像对应image.png标签；若多张图对应一个标签则导入失败）。导出时labels.txt第一行固定为背景类，灰度标签输出单通道图（灰度值=类别），伪彩色标签输出三通道图。

7.2 多边形格式

语义分割与实例分割的多边形格式完全相同，使用 COCO 格式保存，导出结构：

Dataset Path ├── image │ ├── 0001.jpg │ ├── 0002.jpg │ └── ... ├── train.json ├── val.json └── test.json

其中annotation的segmentation字段为RLE or [polygon]，并含area、bbox、iscrowd字段。注意导出时多边形格式只保存多边形，掩膜格式只保存掩膜（多边形会转换为掩膜保存），因此不建议混用两种标注形式。

7.3 标注操作

多边形标注：添加标签 → 选择标签 → 点击工具栏"多边形"沿物体轮廓逐点点击形成闭合多边形 → 可用"编辑"修改。

掩膜标注：添加标签 → 选择标签 → 点击工具栏"笔刷"（鼠标悬浮可调整笔刷大小）按住左键在物体内部绘制 → 可用"橡皮擦"删除。

两类任务的关键区别在于实例处理：

• 语义分割：每个类别只能创建一个实例；
• 实例分割：每个类别可创建多个实例，标注完成一个实例后，必须点击右上角"确定轮廓"进行实例确认，之后才能继续标注下一个实例（0.5 版本正是通过"确认轮廓"来区分实例的）。

八、交互式分割标注

交互式分割是 PaddleLabel 最具特色的能力，它基于EISeg后端实现（EISeg 本身也收录于本仓库的 EISeg 目录，是飞桨高效交互式分割标注工具，涵盖通用、人像、遥感、医疗、视频等方向的交互式分割模型），详细文档见 交互式分割标注。

8.1 安装与启动 ML 扩展

# pip 安装 pip install paddlelabel-ml # 或源码安装 git clone https://github.com/PaddleCV-SIG/PaddleLabel-ML cd PaddleLabel-ML python setup.py install

安装后启动机器学习后端：

paddlelabel_ml # 启动 ML 后端

8.2 智能标注操作

进入分割标注任务后：

1. 点击右侧工具栏"智能标注"按钮，将 ML 后端的 URL 复制粘贴到 ML Backend 中，点击 Save；
2. 在图像上点击：鼠标左键添加正样本点，右键添加负样本点；单个目标的交互式模式以鼠标中键确认，建议标注完每个目标后点击一次中键以获得更高精度的标注结果；
3. 点击"确认轮廓"完成单个实例的生成。

注意事项：智能标注状态下左侧工具栏部分功能不可用，需再次点击"智能标注"暂时关闭；ML 后端默认自带一个通用交互式模型，如需领域专用模型，可在模型下载区下载，并在"智能标注"的 Model Path / Weight Path 中填入对应的*.pdmodel与*.pdiparams文件路径。

8.3 可用交互式模型一览

九、全流程实战：PaddleLabel 标注 + PaddleSeg 训练

这是 PaddleSeg 训练教程 的完整实战路径：PaddleLabel 标注数据 + PaddleSeg 训练预测 = 快速完成一次图像分割任务。类似的流程也适用于 PaddleClas 训练教程（花朵分类 + ShuffleNetV2_x0_25）与 PaddleX 训练教程（图像分类 + MobileNetV3_ssld）。

9.1 数据准备

先用 PaddleLabel 对自制数据集进行标注，再使用"划分数据集"功能划分训练/验证/测试子集，最后导出数据集。将导出内容统一放入dog_seg_dataset文件夹，目录结构为：

├── dog_seg_dataset │ ├── Annotations │ ├── JPEGImages │ ├── labels.txt │ ├── test_list.txt │ ├── train_list.txt │ └── val_list.txt

这一结构与 数据集文件结构说明 中语义分割掩膜格式的规范完全一致，train_list.txt、val_list.txt每行形如JPEGImages/xxx.jpg Annotations/xxx.png，可直接被 PaddleSeg 的自定义数据集读取。

9.2 安装依赖

# GPU 机器（CUDA9/CUDA10） pip install paddlepaddle-gpu -i https://mirror.baidu.com/pypi/simple # CPU 机器 # pip install paddlepaddle git clone https://gitee.com/paddlepaddle/PaddleSeg.git cd PaddleSeg pip install -r requirements.txt python setup.py install

把数据集放入 PaddleSeg 的 data 目录：

cd ./PaddleSeg/data/ mkdir dog_seg_dataset cd ../../ cp -r ./dog_seg_dataset/* ./PaddleSeg/data/dog_seg_dataset

9.3 修改配置文件（mynet.yml 逐项解析）

以 FCN 模型为例，改完配置文件后放到configs目录下重命名为mynet.yml：

batch_size: 4 # 迭代一次送入网络的图片数量 iters: 10000 # 模型迭代次数 train_dataset: type: Dataset # 数据集格式，自定义数据集用 Dataset dataset_root: ../data/dog_seg_dataset # 训练数据集存放的目录 train_path: ../data/dog_seg_dataset/train_list.txt num_classes: 2 # 像素类别数（背景也算为一类） transforms: # 数据变换与数据增强 - type: ResizeStepScaling # 按某比例缩放图像，以 scale_step_size 为步长 min_scale_factor: 0.5 max_scale_factor: 2.0 scale_step_size: 0.25 - type: RandomPaddingCrop # 随机裁剪图像与标注 crop_size: [512, 512] - type: RandomHorizontalFlip # 以一定概率水平翻转 - type: RandomDistort # 图像像素扰动 brightness_range: 0.4 contrast_range: 0.4 saturation_range: 0.4 - type: Normalize # 图像标准化 mode: train # 训练模式 val_dataset: type: Dataset dataset_root: ../data/dog_seg_dataset val_path: ../data/dog_seg_dataset/val_list.txt transforms: - type: Normalize mode: val # 验证模式 num_classes: 2 optimizer: # 优化器设置 type: sgd # 随机梯度下降 momentum: 0.9 # 动量 weight_decay: 0.0005 # 权值衰减，防止过拟合 lr_scheduler: # 学习率策略 type: PolynomialDecay # 多项式衰减，共支持 12 种策略 learning_rate: 0.01 power: 0.9 end_lr: 0 loss: # 损失函数设置 types: - type: CrossEntropyLoss # 交叉熵损失 coef: [1] # 多种损失时按 coef 指定配比 model: # 语义分割模型 type: FCN backbone: # 骨干网络 type: HRNet_W48 pretrained: https://bj.bcebos.com/paddleseg/dygraph/hrnet_w48_ssld.tar.gz # 预训练模型 num_classes: 2 pretrained: Null backbone_indices: [-1]

从源码层面可以印证这些配置的真实含义：

• type: Dataset对应 paddleseg/datasets/dataset.py 中的Dataset(paddle.io.Dataset)类，其构造函数要求num_classes（须大于 1）、训练模式下必须提供存在的train_path、验证模式下必须提供存在的val_path（见 dataset.py）；
• type: FCN对应 paddleseg/models/fcn.py 中通过@manager.MODELS.add_component注册的FCN(nn.Layer)类，支持pretrained权重加载与backbone_indices指定输出层索引；
• CrossEntropyLoss、PolynomialDecay等组件均由 paddleseg/cvlibs/builder.py 依据配置文件中的type字段动态构建。

9.4 训练、评估与预测

export CUDA_VISIBLE_DEVICES=0 # 边训练边验证（--do_eval），每 100 个 iters 保存一次模型（--save_interval） python PaddleSeg/train.py \ --config PaddleSeg/configs/mynet.yml \ --do_eval \ --use_vdl \ --save_interval 100 \ --save_dir PaddleSeg/output

评估（默认使用训练中保存的模型权重）：

python PaddleSeg/val.py \ --config PaddleSeg/configs/mynet.yml \ --model_path PaddleSeg/output/best_model/model.pdparams

预测：

# image_path 指定预测图片，save_dir 指定结果保存目录 python PaddleSeg/predict.py \ --config PaddleSeg/configs/mynet.yml \ --model_path PaddleSeg/output/best_model/model.pdparams \ --image_path PaddleSeg/data/dog_seg_dataset/JPEGImages/e619b17a9c1b9f085dc2712eb603171f.jpeg \ --save_dir PaddleSeg/output/result

对应到本仓库，PaddleSeg 的训练/评估/预测入口分别为 tools/train.py、tools/val.py、tools/predict.py，模型导出可用 tools/export.py，这与教程中使用的 CLI 参数（--config、--model_path、--image_path、--save_dir等）完全一致。至此，从 PaddleLabel 标注到 PaddleSeg 训练预测的闭环即告完成。

十、开发者视角：PaddleLabel 后端架构

对希望参与开发或二次集成的读者，开发者指南 提供了后端实现的关键信息：

• 技术栈：围绕connexion（spec-first 路由框架，先写 OpenAPI spec，由 connexion 负责路由与参数完整性校验）构建；配合SQLAlchemy（ORM）、marshmallow（序列化）、Flask（Web 框架）。数据库默认 SQLite，基于 SQLAlchemy 可方便切换 PostgreSQL；项目规划上解耦 SQLAlchemy/marshmallow 与 Flask，因此约定避免使用 Flask 专属函数（如用pplabel.api.util.abort而非flask.abort）。
• 项目结构：核心代码位于pplabel包下，分为api/（controller 处理 API 调用、model 为 SQLAlchemy 模型、schema 为 marshmallow 序列化 schema）、task/（各类标注任务的导入/导出实现，如 classification/detection/segmentation，以及io/文件格式 IO）、openapi.yml（API 规范）等；测试位于test/（test_task.py）。
• 请求处理流程：connexion 按 OpenAPI spec 校验参数并路由 → 检查 header 中的request_id（用于防止同一操作重复执行）→ 路径参数传入 handler、请求体经 connexion 读取 → marshmallow 反序列化并校验 → pre/post 触发器（如拒绝在项目下创建重名标签）→ 数据持久化 → 返回。
• 命名规范：后端 Python 变量/表列为 snake_case，表名为单数 camelCase；API 端点为小写复数；前端为 camelCase。
• 响应码约定：200 OK、201 创建成功、400 约束校验失败、401 未授权、404 未找到、409 唯一约束冲突。

此外，文档还提示了一个易混淆点：内部label.id从 1 开始，但为兼容其他飞桨工具，labels.txt与xx_list.txt中的标签编号从 0 开始——这与前面"导入时标签编号从 0 递增"的规则相互印证。

十一、总结

PaddleLabel 将"手动标注 + 智能预标注"两种模式、分类/检测/分割三类任务、多格式（ImageNet、VOC、COCO、YOLO、掩膜 PNG/TIFF）数据集导入导出统一到一个工具中，并且与飞桨生态紧密衔接。通过本仓库 contrib/PaddleLabel 下的系列文档（安装、快速开始、分类标注、检测标注、语义分割标注、实例分割标注、交互式分割标注 及 PaddleSeg 训练教程），用户可以快速完成"数据标注 → 数据划分导出 → 模型训练 → 评估预测"的全流程；开发者也可以基于其后端架构指南扩展新的标注任务类型。对于正在使用 PaddleSeg 构建自定义分割模型的团队，PaddleLabel 提供了一条开箱即用的数据生产链路。

• 人工智能
• 计算机视觉
• 预训练