encord-active

用主动学习挑出最有价值的标注数据，让模型迭代更快更省

encord-active 是一个用于模型测试、验证与评估的开源工具包，旨在帮助机器学习团队高效管理数据标注流程。它解决的核心问题是：在模型开发中，如何从海量未标注数据中筛选出最有价值的样本进行标注，以最小化标注成本并最大化模型性能提升。该工具提供模型预测分析、数据质量评估、主动学习采样等功能，支持用户对模型输出进行深入诊断，识别错误模式与数据盲区，并基于不确定性、多样性等策略自动推荐优先标注的数据。它通过简洁的 Python API 和可视化界面，让团队能够快速迭代模型与数据，提升标注效率。

开源 free 基础设施

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 460

维护状态低维护

是否开源是

定价模式 free

项目数据

分类基础设施

开发团队encord-team

所属国家

官网地址https://encord.com/active

GitHubhttps://github.com/encord-team/encord-active

定价模式free

价格说明开源工具包，Apache-2.0 许可证，完全免费，需自行部署使用。

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active-learning,annotations,computer-vision,data,data-centric,data-cleaning,data-quality,data-science,data-validation,deep-learning,label-errors,label-quality,machine-learning,ml,mlops,model-quality,noisy-labels,object-detection,python

GitHub 星标★ 460

30天Star增速

HF 下载量

上线时间2022-09-21 00:00:00

最近更新2026-09-10 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5

使用教程

核心亮点

内置多种主动学习采样策略，如不确定性采样、多样性采样，直接可用
提供模型预测的可视化分析，快速定位错误与数据盲区
与常见深度学习框架（PyTorch等）集成简单，API 设计清晰

不足之处

文档/社区待观察
项目尚处早期，功能覆盖可能不如商业工具全面

适用场景

机器学习团队在标注预算有限时，优先选择高价值数据进行标注
模型上线前需要对测试集进行系统性评估与错误分析
数据标注外包场景中，用于筛选和排序待标注数据

替代项目

modAL、small-text、Lightly

项目介绍

encord-active 是评测安全领域的开源项目，由 encord-team 开发，2022 年首次发布。

它收录于评测安全分类，该分类目前共有 466 个项目，GitHub 星标数为 460。

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 2026-09-10。Apache-2.0 许可证，完全免费，需自行部署使用。

它主要面向的使用场景是：机器学习团队在标注预算有限时，优先选择高价值数据进行标注。同类可对比的替代方案包括 modAL、small-text、Lightly。

上一篇：nannyml

下一篇：awesome-security-for-ai