2024了，数据标注用哪些工具？

数据标注工具既是服务深度学习的必备工具，也可以说得上是数据标注行业的生产支柱。如今，数据标注工具的发展有两种趋势：智能化和平台化，抛开这两种趋势的产品逐步被取代。本篇文章盘点一些国内外值得推荐的标注产品。

1. LabelMe

LabelMe 最早是由麻省理工学院 (MIT) 的计算机科学与人工智能实验室 (CSAIL) 于 2008 年发布的，类型覆盖了实例分割、语义分割、bbox标注、图片分类等，是标注领域中不得不提的元老。时至2024年8月，LabelMe 也不出意外的进入了商业化，发布了新版官网，集成了SAM、YOLO-World等模型，支持本地安装，但这些功能主要在Pro版本，入门版还是手动标注为主。

工具特性：

• 支持 Windows、macOS 和 Linux 系统本地安装
• 入门版支持多边形、矩形、圆形、直线、点、线带等不同标注类型
• Pro 版本提供 Python API ，可通过编程的方式自动化标注流程、批量处理标注数据、或将标注结果转换为其他格式。

网址：https://www.labelme.io/

2. Make Sense

Make Sense 是一款在线标注工具，于 2019 年发布。Make Sense 显著的优势是轻量化和清晰化，相比于 LabelMe 的传统 UI 界面，使用体验显著提升。支持常见格式的导入、导出。值得一提的是， Make Sense 受到了 YOLOv5 和 Roboflow 的官方推荐。Make Sense 基于 Typescript 开发，同时有开源版本，但代码近两年没有更新，社区问题的响应率比较低。

工具特性：

• 无需部署或进行环境配置，浏览器打开即可标注
• 支持矩形、线条、点和多边形等标签类型
• 输出文件格式包括YOLO、VOCXML、VGG、JSON、CSV
• 接入 AI 模型（内置了 YOLOv5、COCO SSD 和 Pose-Net ）可进行自动标注

网址：https://www.makesense.ai/

3. T-Rex Label

T-Rex Label 是IDEA研究院（发布开集检测模型 Grounding DINO、T-Rex2 的团队）2024年最新发布的标注工具。不同于预训练模型辅助的 AI 标注（Make Sense），或者基于文本提示的智能标注（LabelMe Pro），T-Rex Label 是使用了一种视觉提示的标注方式。框选任意目标，就可以标注其他相似物体的bbox，这种方式对于难以用文本描述的物体标注尤为适用。T-Rex Label 的标注交互流畅，社区反馈的相关问题响应较快。

工具特性：

• 基于视觉提示的Bbox自动标注
• 无需下载安装， 支持 Github 登录
• 支持导出为 COCO、YOLO 等主流格式

网址：https://trexlabel.com/

4. VoTT

VoTT（Visual Object Tagging Tool）是由微软开发的一款图像和视频标注工具，于2018 年发布。目前 VoTT 的最新版本是 V2，使用 TypeScript 编写。VoTT 主攻图像和视频帧的标注，进入工具后能感受到界面简单直观，功能模块清晰。VoTT 也支持与预训练模型的集成，自动生成标注，很适合大规模数据集的处理。VoTT 平台可以与多种数据源连接，包括本地文件系统和云存储，同时还支持自定义导入导出策略。

工具特性：

• 支持 Windows、macOS 和 Linux 操作系统
• 主要是矩形和多边形标注
• 支持集成多种机器学习模型和框架，但有一些成本
• 导出数据支持多种格式，如CSV、CNTK、TensorFlow 以及自定义JSON

网址：https://github.com/microsoft/VoTT

5. LabelU

LabelU 是一款综合性轻量级的标注工具，由 OpenDataLab 开发今年上半年推出。LabelU的优势是工具类型全面，甚至包括属性、立体框等工具，适合构建复杂的标注任务，建自己需求的标注界面。LabelU 目前没有集成智能标注的功能，但支持预标注数据的一键载入，用户可以根据实际需要对其进行细化和调整。

工具特性：

• 提供包括2D框、3D框、多边形、点、线等多种标注方式
• 支持图像、视频和音频等类型的数据标注
• 支持预标注数据的一键载入，进行细化和调整标注后的结果可一键导出
• 目前支持JSON、COCO、MASK等导出格式

网址：https://github.com/opendatalab/labelU

6. Label Studio

Label Studio 相信都不陌生，由 Heartex 基于 Python 语言开发，于2019年推出，是一个全面强大的数据标注平台。在 Label Studio 中，可以根据项目需求自定义标注界面、调整标注工具，设置好后使用起来很顺手。值得一提的是，Label Studio 提供了内置的质量控制机制，如标注审核和多标注员一致性检查，以确保标注数据的准确性和可靠性。

工具特性：

• 支持本地部署和云部署，适应不同规模的团队和项目
• 可通过编写 YAML 文件自定义标注界面
• 支持与多种机器学习框架如 TensorFlow、PyTorch、scikit-learn 集成
• 支持多种标注类型，包括图像、文本、音频、视频以及时间序列

网址：https://labelstud.io

7. Supervisely

Supervisely 是一款基于 web 的数据标注平台，同样具有直观易用的 UI 设计。此外，Supervisely 更是一款名副其实的端到端数据标注和管理平台，可以在该平台上实现数据管理、自动化标注和团队协作的全流程功能。企业版还支持本地部署和 Python 应用程序自定义标注工作流，尤其适合需要进行大规模数据处理和数据类型复杂多样的项目团队。

工具特性：

• 具有数据集的版本控制、数据清理和预处理功能
• 提供了 RESTful API 和 SDK，方便与其他系统集成
• 标注形式包括：点、框、折线、多边形、智能工具 (Smart Tool)、像素点笔刷等
• 支持丰富的导入格式及提供丰富的导出格式

网址：https://supervisely.com

8. Labelbox

Labelbox 于 2018 年推出，同样是一个专业的在线数据标注平台。除了标注外，Labelbox 还支持大规模数据管理、模型分析等功能，赋能整个研究过程。此外，平台集成了 YOLOv8、GroundingDINO、SAM 等开源模型。但是，国内访问速度较慢，免费版本的限制较多。

工具特性：

• 支持与 AWS、GCP、Azure 等云服务的无缝集成，便于管理和处理大规模数据集
• 可进行图像、视频、文本、音频以及3D点云标注
• 集成多种预训练模型，可选择对应模型进行辅助标注
• 支持与主流机器学习框架 TensorFlow、PyTorch 和工具 Databricks、Snowflake 等集成

网址：https://labelbox.com