annolid

拖拽标注视频，自动追踪动物并分析行为

annolid 是一个基于实例分割的多目标跟踪与行为分析工具包，主要面向动物行为研究领域。它解决了研究人员在视频分析中手动标注耗时、难以追踪个体和提取行为特征的问题。核心能力包括：利用深度学习模型（如 Cutie）进行视频帧的实例分割，实现多目标个体的稳定跟踪；提供关键点检测功能，可获取动物身体部位的位置信息；内置 AI 辅助多边形标注工具，简化标注流程；支持 3D 视角查看和帧提取，便于数据可视化与预处理。该项目用 Python 编写，集成多种现代计算机视觉技术，旨在为行为神经科学提供一站式的分析解决方案。

开源 free 音频音乐

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 59

维护状态活跃

是否开源是

定价模式 free

项目数据

分类音频音乐

开发团队healthonrails

所属国家

官网地址

GitHubhttps://github.com/healthonrails/annolid

定价模式free

价格说明开源项目，本地部署，完全免费。

访问状态

是否开源是

开源协议NOASSERTION

主要语言Python

技术栈/模型3d-viewer,agents,ai-polygons,behavior,cutie,deep-learning,extracting-frames,flow,keypoint-detection,keypoints,multi-object-tracking,optical-flow,pose-estimation,segment-anything,segmentation,text-to-speech,video,vision,yolo

GitHub 星标★ 59

30天Star增速

HF 下载量

上线时间2020-08-24 00:00:00

最近更新2026-09-17 00:00:00

维护状态活跃

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4

使用教程

核心亮点

集成 Cutie 等先进分割模型，多目标跟踪准确度高
提供关键点检测，支持细粒度行为分析
内置 AI 辅助标注工具，大幅减少手动标注工作量

不足之处

文档/社区待观察
依赖较多深度学习组件，环境配置门槛较高

适用场景

动物行为学实验室的视频追踪与分析
多目标个体（如小鼠、果蝇）的轨迹提取
行为事件（如社交互动）的自动识别与统计

替代项目

DeepLabCut、SLEAP、idtracker.ai

项目介绍

annolid 是计算机视觉领域的开源项目，由 healthonrails 开发，2020 年首次发布。

它收录于计算机视觉分类，该分类目前共有 446 个项目，GitHub 星标数为 59。

项目目前处于活跃维护状态，最近一次代码更新于 2026-09-17。本地部署，完全免费。

它主要面向的使用场景是：动物行为学实验室的视频追踪与分析。同类可对比的替代方案包括 DeepLabCut、SLEAP、idtracker.ai。

上一篇：Noteify

下一篇：SmartJavaAI