13个图像标注工具选型：VOC/YOLO/COCO转换与预标注实践

标注这件事，只有真正做过的人才知道它有多磨人。我第一次系统性地栽跟头，是在一个工业表面缺陷检测项目上：团队用 LabelImg 标了将近两万张图，标注的同学干得很认真，框得也细，结果在训练前的格式转换环节发现——保存下来的是 Pascal VOC 的 XML，而训练脚本读的是 YOLO 的 txt，等于两万张图的工作量只完成了一半，重新导出又搭进去两天。那次之后我养成了一个习惯：先把训练框架要吃的数据格式倒推清楚，再决定用哪个图像标注工具、怎么配、怎么导出。

下面这十三个图像标注工具，是我这几年在机器学习项目里真正上手用过的。它们覆盖的场景差别很大：有的是装完十分钟就能开干的单机小工具，有的是要用 Docker 自己起的开源平台，有的是按年付费的云端协作系统，还有的专攻三维点云、医学影像这类垂直方向。不管你是刚入门机器学习、准备做第一个目标检测小项目，还是团队里要搭一套能撑住几十人协作的标注流水线，下面这些对照和踩坑记录应该都能直接用上。

1. 选错标注工具，两个月的模型迭代就得重来

很多人把标注工具当成"随便挑一个能画框的软件"，这个判断在个人练手阶段问题不大，一旦进入需要持续迭代的机器学习项目，代价就会成倍放大。标注工具的差别不在界面好不好看，而在它决定了你的数据能不能顺畅地流进训练管线、能不能支持多人协作、能不能在后期把标注成本压下来。我见过最典型的浪费，是团队先用一个免费工具标了三万张，等发现需要审核流程和版本管理时，只能整体迁移到另一个平台，迁移过程中格式转换又引入了不少错框。

1.1 图像标注的四种基本形态，决定了工具的能力边界

挑工具之前，先明确你的任务属于哪一类，因为不同形态对工具的要求完全不同。

• 图像分类：一张图一个或几个标签，本质是打标签，对工具要求最低，甚至用表格软件配合文件夹结构就能撑一阵子。真正需要工具的地方在于批量处理、多人分配和标签体系管理。
• 目标检测：画矩形框，是绝大多数工具的主战场，LabelImg、CVAT、Roboflow 都能干，差别在于快捷键顺手程度、批量操作能力和导出格式。
• 分割类任务：语义分割、实例分割要画多边形甚至像素级掩码，对工具的流畅度要求陡增，几十个顶点的多边形在网页端拖拽时卡不卡，直接决定标注速度。Labelme、CVAT、Supervisely 在这方面更稳。
• 关键点与骨架：人脸关键点、人体姿态、工业零件的定位点，属于点标注，工具需要支持点的顺序、分组和可见性标记。

还有两类特殊形态值得单独提一句：视频跟踪标注（在一段视频里对同一目标逐帧或跳帧标注，靠插值补全中间帧）和三维点云标注（激光雷达的立方体框）。这两类任务的工具生态和二维图像几乎是分开的，选型时不要指望一个工具全包。

1.2 我用这六个指标给工具打分

每次帮团队做选型，我都会拉一张表按下面六个维度打分，权重按项目实际情况调。

这六个指标里，最容易被忽略、事后最疼的是最后一项。LabelImg 和 VoTT 这类曾经的主流工具，近几年的更新都基本停滞，虽然还能用，但如果你的项目周期是两三年，就要提前想好迁移路径，别把整套标注规范绑死在一个不再维护的工具上。

2. 桌面端三件套：LabelImg、Labelme、MakeSense.ai 的真实使用场景

桌面端工具的价值在于零门槛和离线可用。网络受限的工厂现场、需要保密的医疗数据、只想快速验证一个想法的小项目，这三类场景下桌面工具依然是首选。它们的共同短板也很明显：没有协作能力，没有版本管理，标注量超过几千张之后，人工管理文件会变成灾难。

2.1 LabelImg：矩形框任务的"螺丝刀"，快但需要自己兜底

LabelImg 是 Python 加 Qt 写的轻量工具，安装方式就是pip install labelImg，装完直接敲labelImg启动。它的核心优势是快捷键设计得非常顺手：W画框，A上一张，D下一张，Ctrl+S保存，Del删框，Ctrl+滚轮缩放。熟练之后标一张只有几个目标的图，两三秒就够。

它的类别管理依赖一个predefined_classes.txt文件，放在data/目录下，每行一个类别名。这里有个很实用的经验：类别名一旦定下来就别再改，LabelImg 保存的是类别名字符串，后面训练脚本里类别名和 ID 的映射关系全要靠你自己维护。我一般会另外写一份classes.txt，训练时严格按行号生成 ID，避免出现"标注时叫 person，训练时映射成 1，推理结果又显示成人"这种低级错乱。

LabelImg 支持 Pascal VOC 的 XML 和 YOLO 的 txt 两种格式，但保存格式是按当前会话的设置来的。很多人踩的坑就是：标到一半发现格式选错了，直接切换格式并不会把已经保存的文件重新写一遍。正确做法是切换格式后，用A/D把每张图重新过一遍并按一次保存，或者干脆写个脚本批量转换。另外它对中文路径支持不好，图片目录和文件名尽量全用英文加下划线，这一条能省掉大量莫名其妙的闪退。

2.2 Labelme：从矩形迈向多边形，顺带解决了分割的第一课

Labelme 同样是 MIT 开源的 Python 工具，但它的定位比 LabelImg 更偏研究向。除了矩形，它还支持多边形、圆、线段、点这几类形状，每个形状还能挂 flag 属性，比如给一个多边形标记"遮挡"或"截断"。做实例分割的第一版数据，用它标多边形是最省事的路子。

它保存的是 JSON 格式，结构里包含 shapes 数组，每个元素记录 label、points、shape_type 等信息。这里有一个必须知道的细节：JSON 里可能会内嵌imageData字段，把整张图以 base64 塞进文件，一张普通图片就能让 JSON 膨胀到几十兆。解决办法是在保存时关掉图像数据内嵌，或者用labelme_export_json这类导出命令重新生成干净的 JSON。我见过有人把几百张这样的 JSON 打包发邮件，附件直接超限。

转换环节是 Labelme 的必修课。官方提供了labelme_json_to_dataset，能把单个 JSON 转成掩码图；转 COCO 格式一般用labelme2coco脚本，把整个目录的 JSON 一次转完。需要注意的是，多边形点数很少的时候（比如三个点的三角形），某些转换脚本生成的掩码会有锯齿，训练时对小目标的分割精度影响不小，这种数据我建议回到工具里把点补到十几个再导出。

2.3 MakeSense.ai：不想装环境的人，用它把第一版数据跑通

MakeSense.ai 是纯浏览器工具，打开网页拖进图片就能标，连 Python 环境都不用配。它内置了几类通用模型的 AI 辅助，比如常见物体的框选建议和人脸关键点，标小数据集时能省下不少手动工作。导出格式支持 YOLO、COCO、VOC、CSV、TFRecord 等，对做课程作业或者验证一个想法来说完全够用。

它有两个必须提前知道的限制。一是图片会上传到服务器，涉及隐私、商业机密或者受监管的数据，不要用它；二是免费额度按项目数和图片数计算，超过之后功能会受限。我的用法是把 MakeSense.ai 当成"格式试验台"——把几十张图扔进去标一遍，导出成 COCO 和 YOLO 各一份，先确认训练代码能吃下去，再决定正式标注走哪条路。这个习惯帮我提前发现过好几次坐标系和类别 ID 的问题。

3. 自建开源平台：CVAT 和 Label Studio 该怎么选

当标注量上到几万张、参与人数超过三个人，桌面工具就不够用了。这时候自建开源平台是最常见的中间方案：不用按席位付费，数据留在自己服务器上，功能也能覆盖大部分工业场景。代价是要自己运维，服务器配置、存储、备份都得有人管。

3.1 CVAT：视频抽帧加插值，是它最不可替代的地方

CVAT 最早由英特尔开源，现在由专门的团队维护。它最被人低估的能力是视频标注：把一段视频传进去，工具按帧率抽帧，你在关键帧上画好框，中间帧用插值自动补全。对做行为识别、交通流分析的团队来说，这个功能带来的效率提升是数量级的——一段十秒的视频如果逐帧标，人工要标几百帧，用插值可能只需要标二十帧。

它的自动标注能力靠 Nuclio 加 OpenVINO、ONNX 或 TensorFlow 模型来实现，可以把自己训好的检测模型挂上去做预标注，人工只负责修正。协作方面有任务分配、审核角色，还有一个叫 ground truth job 的机制，可以在一批任务里混入已知正确答案的样本，用来评估标注员的一致性，这套质量控制思路相当实用。

部署上，官方推荐 Docker Compose，基本流程是拉代码、docker compose build、docker compose up -d，然后进容器创建超级用户。真正容易卡住的地方有三个：一是共享内存，Docker 默认给容器的/dev/shm只有 64MB，处理大尺寸图像或视频时任务会莫名失败，需要在 compose 文件里把shm_size调到 2G 以上；二是内存，跑自动标注时模型和图像同时在内存里，8G 起步比较稳；三是存储，图像和抽帧数据加起来增长很快，最好一开始就把数据目录挂到独立磁盘上。

3.2 Label Studio：一套界面吃下图像、文本、音频和视频

Label Studio 的定位比 CVAT 更宽，它不局限于图像，文本分类、命名实体识别、音频转写、时间序列标注都能做。界面通过一段 XML 配置来定义，比如你要做目标检测就配矩形框标签，要做分类就配选项组，灵活性很高。安装也简单，pip install label-studio之后label-studio start就能起来，适合快速搭一个内部标注站。

它的图像标注能力够用，但真正让它出圈的是多模态项目的适配性。如果你的团队同时在做图像和文本的机器学习任务，用一套系统统一管理数据、人员和进度，比维护两套工具省心得多。

有一个配置细节很多人第一次用都会卡：把本地磁盘上的图片目录挂进项目时，除了在界面里配置存储路径，还要设置环境变量开启本地文件服务，比如LABEL_STUDIO_LOCAL_FILES_SERVING_ENABLED=true并指定允许访问的根目录。少了这一步，界面里只会显示一个个加载失败的占位框。导入方式上，我通常准备一份 JSON 或 CSV 的清单，每行包含图片的 URL 和唯一 ID，这样后续做数据版本管理时能对得上号。

3.3 部署这两个平台时最容易卡住的三个地方

自建平台的问题永远不在功能，而在运维。第一个高频问题是反向代理和跨域：直接用 IP 加端口访问一切正常，一挂上域名和 HTTPS，上传接口就开始报错，通常是代理没透传上传大小限制或者缺了必要的请求头。第二个是备份，很多人只备份了数据库，忘了把图像存储目录一起备，恢复的时候数据库里全是记录、磁盘上一张图都没有。我的做法是每天定时把数据库导出加存储目录做增量同步，恢复演练每季度做一次。

第三个是权限设计。CVAT 和 Label Studio 的默认角色划分对大多数人够用，但如果你的标注团队是外包的，最好再建一层项目级别的隔离，让不同外包组互相看不到对方的数据。这件事在项目初期花十分钟设置，比后期出事再补救划算得多。

4. 云端协作方案：Roboflow、Supervisely、Labelbox 各自的地盘

云平台把运维成本转移给了服务商，换来的是开箱即用的协作、版本管理和自动化能力。选这类平台，核心是判断它的强项是否正好压在你的痛点上，而不是比谁的功能够多。

4.1 Roboflow：把标注、增强、导出串成一条流水线

Roboflow 的定位很清楚，它不只是一个标注工具，而是一条从原始图片到训练数据集的流水线。上传图片、浏览器里标注、做数据增强、生成数据集版本、一键导出成二十多种格式，整个链路是打通的。它有个数据集健康检查功能特别值得用：自动找出重复图片、类别严重不均衡、没有标注的空图，这些问题在人工检查时几乎不可能靠肉眼发现。

版本管理是它的另一个杀手锏。每做一次增强配置或增删图片，就生成一个新版本号，训练时记录用了哪个版本，模型效果对比才有意义。我见过太多团队因为数据集没有版本概念，跑出两个效果差异很大的模型，最后连哪份数据训的都说不清。

它的局限在于免费额度按项目图片数计，数据量上去之后要付费，而且数据放在云端，金融、医疗这类场景需要评估合规性。另外增强策略要克制，翻转和旋转对某些任务（比如文字识别、有方向性的零件）是有害的，无脑开全套增强只会让模型学到错误的不变性。

4.2 Supervisely：三维点云和医学影像都能接的重型工具箱

Supervisely 的功能覆盖面是我用过里面最宽的：二维图像、视频、三维点云、医学影像都能接，它还提供 Agent 机制，把计算任务部署在你自己的机器上跑，数据不用离开内网。插件生态是它的特色，自动标注、目标跟踪、数据清洗、模型训练都能找到对应的应用。

代价是学习曲线明显更陡，界面信息密度高，新人上手需要一两天。它更适合有专职数据工程角色的团队，用在小规模个人项目上属于杀鸡用牛刀。如果你要做自动驾驶的点云标注或者医学影像的分割，它是我会优先推荐去试的方向之一。

4.3 Labelbox：面向团队流程和质量管理

Labelbox 走的是企业级路线，把数据目录、标签体系、模型辅助标注、审核和共识机制打包成一套完整流程。它的标签体系管理（ontology）做得比较严谨，类别之间的层级关系和互斥规则可以提前定义清楚，从源头减少标注歧义。模型辅助标注可以把模型预测结果导入进来让人工修正，审核环节支持多人交叉复核和一致性统计。

它不适合个人或小团队，因为定价需要和销售对接，最小规模的门槛不低。但如果你的组织已经有明确的标注规范和质量管理要求，并且需要把这些流程沉淀成可审计的记录，这类平台的价值就体现出来了。

5. 主打"模型预标注"的五家：V7、Hasty.ai、Dataloop、Encord、Segments.ai

纯手工标注的时代基本过去了。现在选工具，预标注和主动学习能力几乎是必看项，因为它直接决定单位标注成本。这一节把五家在这个方向上有明确特色的平台放在一起说。

5.1 预标注到底能省多少时间，我用一组数字说明

先讲一个我自己测过的对比。一个包含五类目标的检测任务，一万张图，纯手工标注的平均速度是每张四十五秒，总工时约一百二十五个小时。换用预标注流程后，先手工标八百张训练一个初版模型，用它给剩下九千二百张生成预标注框，人工只需要修正。修正速度平均每张十二秒，加上前期的八百张手工标注，总工时降到约四十二个小时，压缩了大概三分之二。

这里有几个前提必须说清楚。第一，预标注的模型必须和当前任务同分布，否则生成的框错得离谱，修正反而比重新标更慢。第二，模型置信度太低的框不要展示，我一般把阈值设在 0.5 左右，低于这个值干脆让标注员从零画。第三，修正流程的界面必须比从头标注更省操作，如果一个错框要删三次才能删掉，效率提升会被吃掉大半。

主动学习是另一条路：先标一小批，训练模型，然后让模型对未标注数据按"不确定性"排序，优先标模型最没把握的样本。理论上能用更少的标注量达到同样精度，实操中的关键是排序指标要选对，纯按置信度排序容易反复标到同一类难样本，配合多样性采样效果更稳。

5.2 五家平台的差异点逐条拆解

这五家里，Segments.ai 的垂直度最高，它解决的是相机图像和激光雷达点云对齐标注的问题，普通二维检测任务用它纯属浪费。Encord 除了标注本身，还提供了数据质量分析的模块，能在训练前把标注错误、离群样本、标签漂移这些隐患筛出来，对精度要求苛刻的项目很有价值。Dataloop 更像是数据平台，标注只是其中一环，适合已经打算把数据流程工程化的团队。

选这类平台时，我建议一定要跑一次真实数据的试用，不要只看演示视频。用你自己项目里最难的那批图（模糊的、遮挡严重的、类别边界模糊的）去试，看预标注的框到底可用度有多高。演示视频里的数据永远是挑过的。

6. 另一条路：托管型标注服务该怎么判断值不值

前面十三个工具里，绝大多数是"工具"，你需要自己组织人、定规范、管质量。还有一类是托管服务，比如 Amazon SageMaker Ground Truth 以及各家的人工标注服务，你把数据和规范交出去，按标注量付费。它不在上面十三家的主清单里，但选型时值得单独考虑一下。

6.1 什么时候值得把标注交给托管服务

判断标准其实很简单：当你的团队缺的不是工具而是"人"，并且任务对标注规范的要求能写成清晰的文档时，托管服务划得来。典型场景包括需求量在短时间内暴涨（比如要在一个月内标完十万张）、任务相对标准化（通用物体检测）、或者内部完全没有标注人力。

反过来，如果任务高度依赖领域知识，比如医学影像里的病灶边界、工业缺陷的亚类划分，外包标注员往往需要很长的培训周期，沟通成本可能超过自己做。我见过一个工业项目把缺陷分级外包，结果因为分级标准里"轻微划痕"和"中度划痕"的边界没写清楚，返工了两次，最后还是收回内部自己做。

6.2 成本结构里最容易被忽略的两笔账

托管服务的报价通常按标注对象数量算，但真正的总成本要加上两笔。一笔是数据准备和传输成本，图像要从你的存储导出去、规范化格式、可能还要脱敏，这些工作量不小。另一笔是质量抽检的返工成本，外包标注的一致性一般达不到内部团队的水平，你必须自己抽检，发现问题后走返工流程，这段时间项目是停着的。

我的经验是，任何托管方案在正式放量前，先拿五百到一千张做一轮完整的小批量验证，把规范文档、抽检比例、返工标准、验收口径都跑通，再谈大批量。这一步能挡掉大部分后期的扯皮。

7. 13个工具横向对照与选型决策路径

讲了这么多细节，最后落成可以直接抄的选型表。下面这张表把十三个工具的部署方式、标注类型和导出格式整理在一起，方便你按自己的约束条件过滤。

7.1 一张表看清部署方式、导出格式和适用规模

7.2 按项目阶段选：个人验证、小队迭代、团队量产

工具选型最忌讳一步到位，项目阶段不同，答案完全不一样。个人做课程项目或者验证想法，我的建议是 MakeSense.ai 加 Labelme 的组合，一个负责快速试格式，一个负责需要多边形时顶上，全程零运维。小团队做产品原型，CVAT 自建或者 Roboflow 云版都可以，前者数据可控，后者省运维并且自带增强和版本管理。

团队进入量产阶段，需要考虑的是审核流程、人员分配和长期的数据资产沉淀。这个阶段我倾向于 CVAT 或 Label Studio 做标注执行，配合自研或第三方的质量抽检脚本，数据资产的管理单独做一套目录规范。垂直场景就直接上专业工具，医学影像看 V7 和 Encord，点云看 Segments.ai 和 Supervisely，别想着用一个通用工具硬扛。

7.3 我自己的默认组合，以及迁移成本提醒

如果让我给一个没有特殊约束的团队开方子，大概是这么一套：CVAT 做主力标注平台，负责图像和视频任务；Labelme 装在标注同学的本机，处理需要精细多边形的零散任务；Roboflow 用来做数据集版本管理和格式导出验证；整个流程的数据以 COCO 作为中间交换格式，训练前再转成框架需要的格式。

这里必须强调迁移成本。一旦标注规范、类别体系和目录结构定下来，就不是换工具那么简单了，所有已标数据都要转换和校验。所以我的做法是，在正式放量之前先花两天时间做一个"小规模全链路验证"：用一千张图走完标注、导出、格式转换、训练、推理的完整流程，确认每个环节都不卡，再让标注团队全面开工。这两天能避免的返工，往往是几十倍的时间。

8. 工具之外：标注质量控制和格式转换里的隐蔽陷阱

工具解决的是操作效率，解决不了标注质量。我在项目里见过最贵的一次事故，不是工具选错，而是两个标注员对"人体遮挡超过一半的目标要不要标"理解不一致，导致训练集里同一类目标有两种标注策略，模型的召回率怎么调都上不去。这一节讲的就是工具之外的部分，也是最容易被新手跳过的地方。

8.1 标注规范要写到什么颗粒度才有用

标注规范不是一份写给检查用的文档，它的标准是：一个没做过这个任务的人，读完文档标一百张，和资深标注员的结果一致性达到九成以上。按这个标准，规范里至少要写清楚下面这些内容。

框的贴合规则要明确到像素级，比如"边界框应紧贴目标可见轮廓，误差不超过两个像素"，不能只写"框住目标"。遮挡处理要分情况定义，完全遮挡的目标如果不可见就跳过，可见面积小于百分之二十的标成困难样本并在属性里标记，这样训练时可以设置忽略。类别互斥和优先级要写清楚，比如一个物体同时符合两个类别时选哪个，或者允许同时打两个标签，这个规则直接影响分类头的设计。

边界案例最值得花时间。我一般会收集五十到一百个模棱两可的样本，截图放在规范文档里，逐个给出判定结论。新标注员上岗前先做一次这套题的测试，正确率不达标就不放量。这个动作看起来麻烦，实际能省掉大量返工。

8.2 一致性校验的三种可落地做法

质量抽检不能只靠"感觉标得不错"，要量化。第一种做法是交叉复核，让人随机抽百分之十到二十的样本二次标注，检测任务计算两次标注框的交并比，低于阈值就判定为不一致并触发讨论。分类任务可以算一致性系数，比单纯看准确率更能反映标注员之间的分歧程度。

第二种做法是混入金标准样本。在一批任务里掺入一小部分已经确认正确的样本，标注员不知道哪些是，事后统计他们在这部分上的表现，可以比较客观地评估每个人的水平。CVAT 的 ground truth job 机制就是为这个设计的。

第三种做法是模型反查。训练一个初版模型，用它对训练集做推理，把置信度很低但标注存在、或者置信度很高但标注缺失的样本挑出来人工检查。我在几个项目里靠这个方法发现过被标错类别的样本，尤其是那些视觉上极像、语义上不同的类别，纯靠人工抽检几乎发现不了。

8.3 VOC、COCO、YOLO 互转时最容易翻车的几个细节

这部分是实战里坑最多的地方，我按踩坑频率从高到低排。

坐标系原点。VOC 用的是左上角和右下角两个绝对坐标，原点在左上，从零开始计数。COCO 用的是左上角坐标加宽高，也是绝对像素值。YOLO 是归一化的中心点坐标加宽高，四个值都在零到一之间。这三种表示混用的时候，最常见的错误是把宽高当成右下角坐标直接赋值，或者在归一化时除了宽度忘了除高度。

边界裁剪。YOLO 要求坐标在零到一之间，如果原图里有一个框超出了图像边界，转换时不做裁剪，训练脚本可能不会报错，但那部分标注就废了。我一般在转换脚本里强制把坐标裁剪到合法范围内，同时对被裁掉超过一定比例的目标打上标记，方便人工复核。

类别 ID 的起点。VOC 里类别是名字符串，YOLO 用从零开始的索引，COCO 的 category id 虽然通常从 1 开始，但也不是强制的，取决于生成脚本。训练时如果类别映射表搞错一位，模型输出的所有类别都会整体偏移，而且精度看起来还挺正常，非常隐蔽。我的做法是转换后固定跑一个校验脚本，随机抽十张图把框画回图上，肉眼确认一遍。

EXIF 方向问题。手机拍摄的图片可能带方向标记，有的图像库读取时会自动旋转，有的不会。标注工具按原始像素坐标记录，训练时如果解码方式不同，整张图的框就会错位九十度。这个坑我在一个用手机采集数据的项目里遇到过，表现是模型在验证集上表现正常、在实际推理时全乱。解决办法是在入库阶段就把所有图片的方向统一处理掉，转存一份标准的 JPEG 或 PNG。

图片名重复和大小写。不同标注员从不同目录导入图片时，可能出现同名文件被覆盖，或者.JPG和.jpg被当成两个文件。转换前先做一次文件名规范化，统一小写、统一后缀、加唯一前缀，能省掉一堆"明明标了却找不到"的问题。

我自己在这些环节上吃过不止一次亏，所以现在做任何新项目，都会在数据准备阶段先写三个小脚本：图片预处理（统一尺寸和方向、重命名）、格式转换（带自动裁剪和校验）、可视化抽查（随机抽图回画）。这三个脚本加起来不到两百行代码，但每次都能在前半个小时内把问题暴露出来，比训练跑完发现效果不对再回头查数据，成本低太多了。