autodistill

用基础模型自动标注，无人工标注训练视觉模型

Autodistill 是一个面向计算机视觉的自动化标注与训练工具，旨在解决监督学习依赖大量人工标注的问题。它利用基础模型（如 GPT-4V、CLIP、Grounding DINO 等）自动为未标注图像生成标签，然后使用这些自动标注的数据训练轻量级、可部署的监督模型（如 YOLO、RT-DETR）。核心能力包括：提供统一的 API 接口，支持多种基础模型和目标模型；通过简单的 Python 代码即可完成从数据标注到模型训练的全流程；支持图像分类、目标检测、实例分割等任务。项目将繁琐的标注工作自动化，显著降低构建定制视觉模型的门槛和时间成本，适合快速原型验证和小规模部署。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 2780

维护状态低维护

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队autodistill

所属国家

官网地址https://docs.autodistill.com

GitHubhttps://github.com/autodistill/autodistill

定价模式free

价格说明开源项目，Apache-2.0 许可证，可免费使用和部署。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型auto-labeling,computer-vision,deep-learning,foundation-models,grounding-dino,image-annotation,image-classification,instance-segmentation,labeling-tool,machine-learning,model-distillation,multimodal,object-detection,pytorch,segment-anything,yolov5,yolov8

GitHub 星标★ 2780

30天Star增速

HF 下载量

上线时间2023-06-06 00:00:00

最近更新2026-09-23 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数6

使用教程

难度：入门约 15 分钟部署方式：库/依赖 5 步

环境要求

已安装 Python 与 pip 的本地环境（README 未限定具体版本）
需同时安装 autodistill 主包和对应的 Base/Target 模型插件包
源码安装方式需本机可访问 GitHub 并执行 git clone

安装与启动步骤

1安装核心包

安装 autodistill 主包及 GroundedSAM、YOLOv8 插件。插件需与主包分开安装，否则无法使用对应模型。
```
pip install autodistill autodistill-grounded-sam autodistill-yolov8
```
2源码安装方式

可选。克隆仓库并以可编辑模式安装，适合本地开发调试，需先进入仓库目录。
```
git clone https://github.com/roboflow/autodistill
cd autodistill
pip install -e .
```
3一行命令蒸馏

对 images 目录内图片用 Grounding DINO 自动标注，再用标注数据训练 YOLOv8，结果存到 dataset。
```
autodistill images --base="grounding_dino" --target="yolov8" --ontology '{"prompt": "label"}' --output="./dataset"
```
4运行模型推理

README 示例中对训练好的目标模型推理。target_model 需先在代码中按插件说明初始化。
```
pred = target_model.predict("./dataset/valid/your-image.jpg", confidence=0.5)
print(pred)
```

5部署到 Roboflow

可选。将训练好的 YOLOv8 模型上传到 Roboflow 做边缘部署，需替换 API_KEY 与 PROJECT_ID。

from roboflow import Roboflow

rf = Roboflow(api_key="API_KEY")
project = rf.workspace().project("PROJECT_ID")
project.version(DATASET_VERSION).deploy(model_type="yolov8", model_path=f"./runs/detect/train/")

关键配置

配置项	必填	说明	示例
`--base`	是	指定用于自动标注的基础模型	`grounding_dino`
`--target`	是	指定用自动标注数据训练的轻量目标模型	`yolov8`
`--ontology`	是	提示词与标签的映射，可指定多组	`{"prompt": "label"}`
`--output`	是	标注结果与数据集的输出目录	`./dataset`
`api_key`	否	Roboflow 部署时使用的 API 密钥	`API_KEY`
`model_path`	否	部署时训练产物所在路径	`./runs/detect/train/`

如何确认成功

命令执行后在 ./dataset 目录生成已标注数据集并完成 YOLOv8 训练；或在代码中调用 predict 正常返回预测结果。

常见问题

Q：只安装 autodistill 主包够用吗？

A：不够。Autodistill 采用插件化设计，还需安装对应的 Base Model 和 Target Model 插件，如 autodistill-grounded-sam、autodistill-yolov8。

Q：不想在本地跑可以吗？

A：可以。README 提到可使用 Roboflow 托管的 Autodistill 版本在云端完成图像标注。

Q：目前支持哪些视觉任务？

A：README 说明当前支持目标检测和实例分割，未来计划扩展到语言等其他模型。

Q：哪些目标模型可以部署到 Roboflow？

A：README 列出 YOLOv8 目标检测/实例分割、YOLOv5 目标检测/实例分割均支持，YOLOv8 分类暂不支持。

Q：一行命令里的 prompt 和 label 怎么填？

A：prompt 是给基础模型的提示词，label 是保存的标签名，可成对指定多组，按需替换示例值。

注意事项

基础模型与目标模型以插件形式单独安装，可减少依赖与许可证冲突。
部署代码中的 API_KEY、PROJECT_ID、DATASET_VERSION 均为占位符，需替换为真实值。
完整教程可参考 README 中的 Colab Notebook 链接与官方文档站。
更多可用 Base/Target 模型见 README 的 Available Models 章节。

核心亮点

支持多种基础模型（如 DINO、CLIP）自动标注，覆盖检测、分割、分类任务
API 简洁，几行代码完成标注到训练，上手快
与主流训练框架（如 Ultralytics）集成，方便部署

不足之处

自动标注质量依赖基础模型，复杂场景可能需人工修正
文档/社区待观察

适用场景

快速构建定制目标检测模型，如工业质检
缺乏标注数据的冷启动项目
自动化数据标注流水线集成

替代项目

Label Studio、Roboflow、H2O Label Gen

项目介绍

autodistill 是模型训练领域的开源项目，由 autodistill 开发，2023 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（2,780）位列前 30%，在模型训练分类中处于中上游。

近 42 天，它的 GitHub 星标从 2,757 增加到 2,780，净增 23。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-23。Apache-2.0 许可证，可免费使用和部署。

它主要面向的使用场景是：快速构建定制目标检测模型，如工业质检。同类可对比的替代方案包括 Label Studio、Roboflow、H2O Label Gen。

上一篇：ColossalAI

下一篇：CoOp