Sådan bruger du Label Studio: En komplet guide uden fyld for 2025
Hvis du udvikler computer vision, NLP eller multimodal AI, vil du sandsynligvis støde på den samme flaskehals: højkvalitetsmærkede data. Label Studio, en open source-platform til datamærkning, giver dig fleksibel kontrol over billed-, tekst-, lyd-, tidsserie- og videoannotationer uden at låse dig fast til en enkelt ML-stack. I denne praktiske, trin-for-trin-vejledning viser vi dig, hvordan du bruger Label Studio – fra installation til eksport – så du trygt kan gå fra "tomt projekt" til "produktionsklare labels".
Vi vil følge en praktisk og løsningsorienteret stil: korte trin, klare beslutninger og nyttige tips til at undgå almindelige faldgruber.
Hvad du vil lære
- Sådan installeres og startes Label Studio
- Sådan oprettes dit første projekt og vælges en label-skabelon
- Sådan importeres data (lokale filer, cloud buckets, URL'er)
- Sådan opsættes label-grænsefladen for billeder, tekst, lyd eller video
- Sådan administreres labelers, anmeldelser og kvalitetssikring
- Sådan eksporteres annotationer til formater, der er kompatible med dine træningspipelines
Værd at bemærke: Hvis du orkestrerer multi-model forskning eller udarbejder datasætdokumentation, kan en AI-copilot som Sider.AI hjælpe med at generere opgaveretningslinjer eller auto-opsummeringer af annotationspolitikker for at holde teams afstemt. Du kan tjekke det ud på Sider.ai. Hvorfor Label Studio?
- Fleksibelt skema: Definer brugerdefineret label-konfiguration for bounding boxes, polygoner, keypoints, tekst spans, relationer, lydregioner og mere.
- Brede datatyper: Billeder, tekst, lyd, HTML, tidsserier og video.
- Team-workflows: Tildel opgaver, muliggør konsensus, gennemgå annotationer og administrer kvalitet.
- Udvidelsesmuligheder: Integrer med storage backends, webhooks og model-assisteret labeling.
For officiel oversigt og downloads, se Label Studios hjemmeside.
Trin 1: Installer Label Studio
Du kan køre Label Studio lokalt med Python eller Docker. Vælg en af metoderne:
Mulighed A: Python (pip)
# Opret et virtuelt miljø (anbefales)
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
# Installer Label Studio
pip install label-studio
# Start
label-studio start
Besøg derefter den udskrevne lokale URL (ofte `).
Mulighed B: Docker
docker run -it -p 8080:8080 heartexlabs/label-studio:latest
Hvis du er ny til Label Studio, er den officielle "Kom godt i gang"-guide kortfattet og opdateres regelmæssigt, og quick start fokuserer på de minimale trin til at label et eksempeldatasæt.
Pro tip: For teams, overvej en administreret database (PostgreSQL) og monteret storage for robusthed.
Trin 2: Opret et projekt
- Log ind på UI'en, og klik på "Opret projekt".
- Giv det et klart navn (f.eks. "Retail Shelf Detection v1") og en beskrivelse (inkluder datasætversion og formål).
- Vælg "Labeling Setup". Du kan:
- Starte fra en skabelon (f.eks. objektgenkendelse, NER, sentiment, lydregioner)
- Eller skriv en brugerdefineret XML-konfiguration for at skræddersy værktøjer og klasser
Quick start-guiden hjælper dig med at vælge en skabelon, omdøbe klasser og gemme konfigurationen.
Trin 3: Importer dine data
Du kan importere data via UI'en eller API'en. Almindelige veje:
- Upload lokale filer (drag-and-drop)
- Angiv URL'er til eksterne filer
- Tilslut cloud storage (S3, GCS, Azure Blob) via indstillinger
- Brug REST API til programmatisk indtagelse
Data records inkluderer normalt en data payload, der peger på dit aktiv (f.eks. "image": " eller "text": "Dette er en sætning."`). Hold filnavne stabile for at forenkle mapping under eksport.
Kvalitetstip: Versionsstyr dit datasæt, og behold et manifest over kilde → annotations eksport, så du kan reproducere træningskørsler.
Trin 4: Konfigurer label-grænsefladen
Label-grænsefladen definerer værktøjer og klasser. Du vil se XML-lignende konfiguration, hvor du vælger komponenter såsom RectangleLabels, PolygonLabels, KeyPointLabels, TextArea, Choices, Audio, TimeSeries osv.
Eksempler:
Billedobjektgenkendelse
<View>
<Image name="img" value="$image"/>
<RectangleLabels name="label" toName="img">
<Label value="Product" background="#34D399"/>
<Label value="PriceTag" background="#60A5FA"/>
</RectangleLabels>
</View>
Tekst Named Entity Recognition (NER)
<View>
<Text name="txt" value="$text"/>
<Labels name="label" toName="txt">
<Label value="ORG"/>
<Label value="PERSON"/>
<Label value="LOC"/>
</Labels>
</View>
Lydregion-labeling
<View>
<Audio name="audio" value="$audio"/>
<Labels name="label" toName="audio">
<Label value="Speech"/>
<Label value="Noise"/>
<Label value="Music"/>
</Labels>
</View>
Start med den skabelon, der er tættest på din opgave, og iterer. Hold klassenavne stabile på tværs af versioner for at lette datasætfletninger.
Trin 5: Best Practices for Labeling
- Definer klare retningslinjer: Medtag eksempler på korrekte vs. forkerte annotationer og edge cases.
- Brug hotkeys: Træn hastighed og konsistens ved at lære tastaturgenvejene til dine værktøjer.
- Kalibrer tidligt: Få 2-3 labelers til at annotere de samme 50-100 emner, sammenlign resultater og finjuster guiden.
- Tilføj præ-annotationer: Hvis du har en baseline-model, skal du importere forudsigelser for at fremskynde rettelser.
- Balance mellem gennemstrømning og kvalitet: Brug konsensus- eller gennemgangskøer, når der er meget på spil.
Forresten, til at skrive skarpe, konsistente annotationsretningslinjer eller konvertere domæneviden til labeler-venlige tjeklister, kan Sider.AI hurtigt udarbejde og finjustere instruktioner, mens du holder en changelog, som teams kan følge. Trin 6: Administrer Labelers, anmeldelser og QA
Label Studio understøtter teams:
- Tildel opgaver til specifikke annotatorer
- Aktiver review/godkendelses-workflows
- Spor fremskridt og labeler-performance
- Brug konsensus (flere annotationer pr. opgave) til at måle enighed
Angiv eksplicitte acceptkriterier (f.eks. IoU-tærskel for bokse, span-grænseregler, minimumslydregionvarighed) og håndhæv dem under review.
Almindelige QA-tjek:
- Manglende labels eller forkerte klasser
- Inkonsistent bounding box-tæthed
- Overlappende entiteter i NER
- Driftende definitioner over tid (opdater guiden!)
Trin 7: Eksporter annotationer
Når dit batch er klar, skal du eksportere annotationer til træning. Label Studio gemmer annotationer i JSON internt og lader dig eksportere til flere formater. Se de officielle eksportdokumenter for den aktuelle liste og trin.
Typiske formater omfatter:
- Rå Label Studio JSON (mest komplet og tabsfri)
- COCO (til genkendelse/segmentering)
- YOLO (til objektgenkendelse)
- CSV/TSV til enklere opgaver
Vigtige noter:
- Nogle værktøjer (f.eks. pensel/segmenteringer) kan ikke mappes rent til visse formater – COCO og YOLO understøtter muligvis ikke fritformede pensler direkte. Se community-vejledning om segmenteringseksportforbehold.
- Der findes konvertere til at transformere Label Studio JSON til YOLO, men der kan opstå huller afhængigt af det anvendte label-værktøj og de metadata, du har bevaret.
Praktisk eksportflow:
- Kør en lille testeksport tidligt; valider, at dit træningsscript parser den.
- Lås din eksportpreset (klasseordre, opløsningsantagelser osv.).
- Dokumenter alle konverteringstrin (scripts, versionshashes) for reproducerbarhed.
Trin 8: Integrer med din ML-pipeline
- Brug API'en til at trække afsluttede annotationer ind i dine træningsjob.
- Hold splits deterministiske: vedhæft metadata som
split: train/val/test til opgaver.
- Versionsstyr alt: datasætmanifester, annotationseksport, modelkonfigurationer.
- Luk løkken: kør fejlanalyse, identificer fejlklynger, og planlæg relabeling-runder.
Workflow-mønster:
- Udvind hårde eksempler fra modelfejl
- Relabel målrettede slices
Denne aktive læringsløkke øger kvaliteten hurtigere end brute-force labeling.
Fejlfinding af almindelige problemer
- "Min eksport vil ikke indlæses i YOLO/COCO."
- Kontroller værktøjskompatibilitet (f.eks. pensler vs. polygoner). Konverter til kompatible former, når det er muligt, og se eksportdokumenterne og community-noterne.
- "Labels stemmer ikke overens med min træningsklasseordre."
- Fastsæt bestilling tidligt. Standardiser label-navne, og bevar mapping i din pipeline.
- "Annotatorer er meget uenige."
- Tilføj kalibreringsrunder, præciser regler, og overvej konsensus- eller voldgiftstrin.
- Brug præ-annotationer, hotkeys og værktøjsspecifikke speedups (f.eks. auto-segment, snapping). Beskær lavværdiopgaver.
En 30-minutters Quick Start-tjekliste
- Installer Label Studio (pip eller Docker)
- Opret et projekt med den mest relevante skabelon
- Importer 50-100 prøveemner
- Udarbejd retningslinjer med edge cases og eksempler
- Tildel to labelers til et kalibreringsbatch
- Gennemgå uenigheder og opdater regler
- Test eksport til din træningskode
For en officiel, kortfattet gennemgang, besøg "Kom godt i gang" og "Quick Start"-guiden.
Avancerede tips til superbrugere
- Brugerdefinerede widgets: Udvid grænsefladen til domænespecifikke værktøjer.
- Webhooks: Udløs job (f.eks. start konverteringer eller modeltræning), når opgaver er fuldført.
- Model-assisteret labeling: Brug præ-labels fra dine in-house eller cloud-modeller til at reducere manuelt arbejde.
- Data privacy: Kør on-prem, begræns eksport og log adgang for regulerede datasæt.
- Analytics: Spor pr.-klasse-fordeling og pr.-labeler-metrics for at spotte skew.
Konklusion: Fra prototype til produktionsklare datasæt
Label Studio hjælper dig med hurtigt at gå fra koncept til konsistente træningsdata: vælg en skabelon, definer dit skema, kalibrer dit team, og eksporter i de formater, dine modeller har brug for. Hold dine retningslinjer levende, valider eksport tidligt, og luk løkken med aktiv læring. Med disse vaner vil du bruge mindre tid på at kæmpe med formater og mere tid på at sende modeller, der fungerer.
For dybere dyk og skabeloner, se:
- Eksportformater og forbehold
FAQ
Q1: Hvad bruges Label Studio til?
Label Studio er en open source-platform til at annotere billeder, tekst, lyd, tidsserier og video. Den lader dig designe brugerdefinerede label-grænseflader og eksportere annotationer til formater, som dine ML-træningspipelines kan bruge.
Q2: Hvordan starter jeg et nyt projekt i Label Studio?
Opret et projekt fra UI'en, vælg en skabelon, der matcher din opgave, og tilpas label-konfigurationen. Importer derefter data (lokale filer, URL'er eller cloud storage) og tildel opgaver til annotatorer.
Q3: Hvilke eksportformater understøtter Label Studio?
Du kan eksportere rå JSON såvel som formater som COCO, YOLO, Pascal VOC og CSV/TSV. Nogle værktøjer (som brush-masker) kan muligvis ikke mappes til alle formater; tjek eksportdokumenterne for detaljer.
Q4: Hvordan kan jeg fremskynde labeling i Label Studio?
Brug præ-annotationer fra en baseline-model, lær hotkeys og forenkle dit label-skema. Kør kalibreringsrunder for at reducere omarbejde og angiv review-kriterier for at fange fejl tidligt.
Q5: Kan jeg køre Label Studio med et team?
Ja. Tildel opgaver til annotatorer, aktiver reviews og brug konsensus til at måle enighed. Gem data og annotationer i pålidelige backends og automatiser eksport med webhooks eller API'en.
