label-studio

图片文字音视频都能标，标完直接拿去训练

开源 🏷️基础免费，高级付费 ✅ 目前可打开基础设施 🍴 复刻 3791 🐛 待处理 963 👀 关注 185

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 28662

维护状态活跃

是否开源开源

定价模式 🏷️基础免费，高级付费支持限时试用 · 提供免费社区版（可自托管）和付费云服务，云服务有免费额度，高级功能需订阅，支持试用。

项目预览

项目数据

分类基础设施

开发团队HumanSignal

官网地址https://labelstud.io

GitHubhttps://github.com/HumanSignal/label-studio

定价模式🏷️基础免费，高级付费

价格说明提供免费社区版（可自托管）和付费云服务，云服务有免费额度，高级功能需订阅，支持试用。

访问状态✅ 目前可打开

是否开源是

开源协议Apache-2.0

主要语言TypeScript

技术栈/模型annotation,annotation-tool,annotations,boundingbox,computer-vision,data-labeling,dataset,datasets,deep-learning,image-annotation,image-classification,image-labeling,image-labelling-tool,label-studio,labeling,labeling-tool,mlops,semantic-segmentation,text-annotation,yolo

GitHub 星标★ 28662

上线时间2019-06-19 00:00:00

代码更新2026-11-09

仓库体积2.80 GB

本站数据更新2026-11-09

维护状态活跃

收录时间2026-08-09

浏览次数7

项目介绍

支持多类型数据标注的开源工具，覆盖图像、文本、音频、视频等多种数据格式，输出格式标准化，方便直接对接模型训练流程。提供灵活的标注界面、协作审核机制与丰富的集成能力，是数据标注、评测和 RLHF 数据生产环节中广受欢迎的解决方案。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 28662

技术标签

annotation annotation-tool computer-vision dataset datasets

使用教程

难度：入门约 10 分钟部署方式：Docker 7 步

环境要求

已安装 Docker（若用 pip/conda 本地安装则需 Python 与 pip）
宿主机 8080 端口未被占用；Docker Compose 方式占用 80 端口
用于挂载的本地目录 $(pwd)/mydata 需可写，容器内挂载点为 /label-studio/data
Docker Compose 方式需可用 docker-compose；MinIO 方式需 docker compose 并可能需改 hosts 文件
Windows 上 pip 安装需先从 Gohlke builds 下载匹配 Python 版本的 lxml wheel

安装与启动步骤

1拉取官方镜像

从 Docker Hub 下载 Label Studio 官方最新镜像，这是 README 推荐的本地安装方式。
```
docker pull heartexlabs/label-studio:latest
```
2启动容器

映射 8080 端口，并用 -v 把数据目录挂到本地 mydata，容器内路径固定为 /label-studio/data。
```
docker run -it -p 8080:8080 -v $(pwd)/mydata:/label-studio/data heartexlabs/label-studio:latest
```
3覆盖默认启动命令

可选：在镜像名后追加参数覆盖默认启动命令，例如把日志级别改为 DEBUG 便于排查。
```
docker run -it -p 8080:8080 -v $(pwd)/mydata:/label-studio/data heartexlabs/label-studio:latest label-studio --log-level DEBUG
```
4Compose 生产部署

用自带编排启动 Label Studio + Nginx + PostgreSQL 的生产级组合，从 80 端口访问。
```
docker-compose up
```
5叠加 MinIO 存储

再叠加 minio 编排文件，额外启动 MinIO 用于本地测试 S3 存储；无固定 IP 需配置 hosts。
```
docker compose -f docker-compose.yml -f docker-compose.minio.yml up -d
```
6Conda 本地安装

README 给出的 Anaconda 安装路径：创建并激活环境、安装 psycopg2，再 pip 安装 label-studio。
```
conda create --name label-studio
conda activate label-studio
conda install psycopg2
pip install label-studio
```
7本地开发安装

从源码跑最新版：装 poetry 与依赖，再执行数据库迁移和静态文件收集。
```
pip install poetry
poetry install
python label_studio/manage.py migrate
python label_studio/manage.py collectstatic
```

关键配置

配置项	必填	说明	示例
`端口映射`	是	容器 8080 映射到宿主机端口，决定浏览器访问地址	`-p 8080:8080`
`数据挂载目录`	是	把容器 /label-studio/data 挂到本地，持久化数据库与上传文件	`-v $(pwd)/mydata:/label-studio/data`
`日志级别`	否	追加在镜像名后覆盖默认启动命令，便于排查问题	`--log-level DEBUG`

如何确认成功

浏览器打开 http://localhost:8080 能看到 Label Studio 界面；Compose 方式访问 http://localhost，并确认 mydata 目录下生成 label_studio.sqlite3。

常见问题

Q：标注数据保存在哪里？

A：保存在挂载的 ./mydata 目录中，包含 SQLite3 数据库 label_studio.sqlite3 以及上传的文件，删除目录即清空数据。

Q：8080 端口被占用怎么办？

A：修改 -p 参数前面的宿主机端口即可，例如 -p 8081:8080，然后访问 http://localhost:8081；注意 Compose 方式默认走 80 端口。

Q：Compose 和单容器有什么区别？

A：Compose 组合额外包含 Nginx 代理与 PostgreSQL，属于生产就绪栈，默认从 http://localhost 访问，性能优于 SQLite3。

Q：为什么要用 MinIO 版本？

A：用于在本地测试 S3 存储行为；若没有固定 IP，需要在 hosts 文件中加条目，让 Label Studio 和浏览器都能访问 MinIO。

Q：怎么接入自己的机器学习模型？

A：先启动自己的 ML backend 服务（参考 label-studio-ml-backend），再到项目设置的 model 页面连接，即可做预标注、在线学习和主动学习。

注意事项

单容器方式访问 8080 端口，Docker Compose 方式访问 80 端口，两者地址不同勿混淆。
官方镜像名为 heartexlabs/label-studio，默认使用 SQLite3，生产环境建议改用 Compose 中的 PostgreSQL。
Windows 用户用 pip 安装前，需先从 Gohlke builds 下载对应版本的 lxml wheel 并先安装。
从源码开发安装后必须执行 migrate 与 collectstatic，否则应用无法正常启动。

核心亮点

支持图像、文本、音频、视频等多类型数据标注，内置多种标注模板，覆盖主流AI场景
提供标准化输出格式，可直接对接模型训练流程，降低数据预处理成本
支持多人协作与项目管理，具备标注任务分配、审核和质量控制功能

不足之处

大型数据集或复杂标注任务下性能可能下降，需优化配置
文档/社区待观察

适用场景

计算机视觉项目中的图像分类、目标检测、语义分割标注
自然语言处理任务中的文本分类、实体识别、关系抽取标注
多模态数据集构建，如音视频结合文本的标注

替代项目

CVAT、SuperAnnotate、Prodigy

上一篇：ai-audio-datasets

下一篇：Tegridy-MIDI-Dataset