anylabeling
点一下就让 YOLO/SAM 自动标好图，人工只做微调
AnyLabeling 是一款开源的 AI 辅助数据标注工具，目标是让图像标注从纯手工变成半自动甚至自动。它把 YOLO 系列目标检测模型与 Segment Anything（含 SAM、SAM2/2.1、SAM3）以及 MobileSAM 等分割模型集成到同一个图形界面里，用户在画框或点选目标时，模型会实时给出候选框或分割掩码，只需少量修正即可完成标注。工具支持 ONNX 模型推理，可加载自定义权重，覆盖检测、分割、关键点、旋转框等多种标注类型，输出格式兼容主流训练框架。相比 LabelImg、CVAT 等传统工具，它把预标注能力直接内置到本地客户端，无需额外搭建推理服务，适合个人和小团队快速构建高质量数据集，尤其适合需要频繁迭代模型、反复标注同一批图像的场景。
项目数据
使用教程
环境要求
- Python 3.11 及以上，推荐 Python 3.12
- 建议使用 Miniconda / Anaconda 管理环境
- GPU 加速需要 NVIDIA CUDA 兼容驱动（GPU 版自带 CUDA 12 运行时）
- macOS 解压安装包时需保留压缩包内的符号链接
安装与启动步骤
-
1下载可执行文件
不想装 Python 环境可直接从官方下载页或 GitHub Releases 下载对应平台的可执行包，Windows 为 exe，macOS 为 zip。
-
2创建 Python 环境
用 conda 新建一个干净的 Python 3.12 环境，避免与系统已有包冲突。
conda create -n anylabeling python=3.12 -
3激活环境
后续所有安装和启动命令都要在这个已激活的环境里执行。
conda activate anylabeling -
4macOS 装 PyQt6
仅 macOS 用户需要，先用 conda-forge 安装 PyQt6，再执行后面的 pip 安装。
conda install -c conda-forge pyqt=6 -
5安装 anylabeling
从 PyPI 安装通用版本；Linux/Windows 需要 NVIDIA CUDA 推理时改装 GPU 版。
pip install anylabeling -
6安装 GPU / macOS 版
按需二选一：GPU 发行版含 CUDA 12 与 cuDNN 运行时；macOS 用带 macos 扩展的安装。
pip install anylabeling-gpu pip install "anylabeling[macos]" -
7启动标注工具
在激活的环境中直接运行命令，即可打开图形界面开始标注。
anylabeling
关键配置
| 配置项 | 必填 | 说明 | 示例 |
|---|---|---|---|
ANYLABELING_DEVICE | 否 | 手动指定 ONNX Runtime 推理后端，不设置则自动选择 CUDA/CoreML 并回退 CPU。 | COREML |
如何确认成功
终端执行 anylabeling 后弹出图形标注界面，且能正常加载图像，即表示安装启动成功。
常见问题
Q：CPU 版和 GPU 版怎么选？
A：Linux/Windows 需要 NVIDIA CUDA 推理就装 anylabeling-gpu，它自带 CUDA 12 和 cuDNN 运行时，只需驱动兼容，无需系统 CUDA 工具包；否则装 anylabeling 即可。
Q：Apple Silicon 如何启用 CoreML 加速？
A：安装 anylabeling[macos] 并设置环境变量 ANYLABELING_DEVICE=COREML 即可同时启用 ONNX Runtime CoreML 与原生 CoreML 的 SAM2 模型。
Q：Windows PowerShell 下如何改推理后端？
A：用 $env:ANYLABELING_DEVICE = "DIRECTML" 设置，支持的值还有 CUDA、ROCM、OPENVINO、TENSORRT、QNN 等。
Q：能否用 NPU 加速？
A：需要在全新独立环境中替换 onnxruntime 包，例如 Intel Core Ultra 用 onnxruntime-openvino 配 INTEL_NPU，且需模型算子覆盖支持。
Q：安装后中文界面从哪来？
A：工具内置英文、越南语、中文等多语言，可在界面中切换为中文。
注意事项
- 一个环境里只能有一个 ONNX Runtime 变体，装 NPU 版时要替换默认的 onnxruntime 包。
- CUDA、DirectML、OpenVINO、CoreML、NPU 的隔离环境搭建请参考官方硬件加速文档。
- macOS 请按文件夹模式说明解压并保留符号链接，否则可能无法启动。
- 模型加载失败时会自动回退到 CPU 执行不支持的算子。
核心亮点
- 内置 YOLO 检测与 SAM/SAM2/MobileSAM 分割预标注，画框和抠图都能自动生成候选
- 支持 ONNX 模型加载，可替换自定义权重，不绑定特定训练框架
- 覆盖检测、分割、关键点、旋转框等多种标注类型，输出格式与主流训练流程兼容
不足之处
- 大模型（如 SAM2）推理对显存和算力要求较高，低配机器体验受限
- 社区与文档规模相比 CVAT、Label Studio 仍较小，复杂协作场景支持有限
适用场景
- 个人或小团队为 YOLO 训练快速标注检测数据集
- 用 SAM 自动抠出目标掩码，人工只修正边缘，制作分割数据集
- 已有自定义 ONNX 模型时，用其做预标注加速批量图像标注
替代项目
LabelImg、CVAT、Label Studio
项目介绍
下一篇：VisioFirm
同类项目推荐
X-AnyLabeling
开源
一站式AI辅助标注，图像视频文本通吃，导出格式随心配
X-AnyLabeling: A lightweight, efficient, and unified cross-platform desktop applicat···
distilabel
开源
基于论文的合成数据流水线，快速生成高质量 AI 反馈数据。
Distilabel is a framework for synthetic data and AI feedback for engineers who need ···
DataGen
开源
用大模型一键生成定制化训练数据，告别数据荒
[ICLR'25] DataGen: Unified Synthetic Dataset Generation via Large Language Models
stopes
开源
一键准备多语言翻译数据，从清洗到挖掘平行语料
A library for preparing data for machine translation research (monolingual preproces···