AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年11月18日
用 Python 写的图像标注工具,支持多边形、矩形、圆、线、点及 AI 辅助标注。
Labelme 是一个图形化图像标注工具,灵感来自 MIT 的 labelme 项目,用 Python 编写、基于 Qt 做界面。它支持多边形、矩形、圆、线、点等多种标注形状,也能做图像分类标记、视频标注,并导出 VOC、COCO 格式数据集用于语义分割和实例分割。
推荐指数
成熟稳定、社区庞大的通用图像标注工具,适合大多数计算机视觉数据标注需求。
近 7 天
+27
新增 Star
总 Star 排名
#438
雷达追踪的 3,958 个 AI 仓库中
创建于
2016
2016年5月9日
核心亮点
1多种标注形状
支持多边形、矩形、圆、线、点,覆盖分割、检测等常见任务。
2AI 辅助标注
可用 SAM、EfficientSAM 做点选生成多边形或掩码,用 YOLO-world、SAM3 做文本转标注。
3标准格式导出
可导出 VOC 和 COCO 格式,直接用于语义分割、实例分割训练。
4多语言界面
内置 21 种语言,包括简体中文、繁体中文、日语、韩语等。
5视频与分类标注
除图像外还支持视频标注,以及用于分类和数据清洗的 flag 标记。
适用场景
语义分割数据集制作
例如:对街景图片逐张勾画道路、行人、车辆的多边形区域,导出 VOC 格式训练分割模型。
目标检测标注
例如:用矩形框标出图片中的物体并打上类别标签,导出 COCO 格式用于检测模型训练。
借助 AI 加速标注
例如:用 SAM 模型点一下目标就自动生成掩码,减少手工勾画多边形的时间。
图像分类数据清洗
例如:用 flag 标记给图片打上分类标签,快速筛选和整理数据集。
它是怎么工作的
第 1 步
安装并启动
通过 pip 安装或用独立安装包,启动图形界面打开图片目录。
第 2 步
选择标注形状
按任务选择多边形、矩形、圆、线或点,在图上勾画目标区域。
第 3 步
打标签与标记
为每个标注输入类别名称,或用 flag 给整张图打分类标记。
第 4 步
AI 辅助(可选)
调用 SAM、EfficientSAM 或 YOLO-world 等模型,由点选或文本自动生成标注。
第 5 步
导出数据集
用内置脚本把标注结果转换为 VOC 或 COCO 格式,供训练使用。
快速上手
- 1
安装
用 pip 安装 labelme,需要 Python 3.12 及以上。
pip install labelme - 2
启动
在终端运行 labelme 打开图形界面。
labelme - 3
指定语言启动
通过 LANG 环境变量切换界面语言,例如日语。
LANG=ja_JP.UTF-8 labelme - 4
从 GitHub 安装最新版
如需最新开发版本,可直接从仓库安装。
pip install git+https://github.com/wkentaro/labelme.git
适合谁
- 需要制作分割、检测数据集的算法工程师
- 做计算机视觉研究的学生和研究者
- 需要图形化标注工具的数据标注团队
不太适合
- 想把 labelme 当 Python 库调用的开发者
- 无法安装 Python 或 Qt 环境的用户
成熟度
- 活跃度2016 年创建,最近仍在更新,已迭代到 v7.x。
- 文档README 覆盖安装、功能、示例,并有独立文档站点。
- 社区约 1.6 万 star、3700 多 fork,开放 issue 仅 72 个,有 Discord 社区。
- 上手难度pip 一行安装即可用,也提供免 Python 的独立安装包(付费)。
同类项目怎么选
- CVAT基于 Web 的标注平台,支持团队协作和任务管理,部署更重。
- Label Studio通用数据标注平台,支持文本、音频等多种数据类型,不只图像。
- X-AnyLabeling在 labelme 基础上强化 AI 辅助标注和更多模型集成。
使用前注意
- · 许可证为 GPL-3.0,商用或分发需注意开源义务。
- · v7 起要求 Python 3.12 以上和 64 位系统,旧环境需留在 v6.3.x 维护线。
- · 项目定位是应用而非库,v7 起不提供稳定的 Python API,内部模块已私有化。
- · 免安装的独立应用需一次性付费,免费方式需自行配置 Python 环境。
