What is Label Studio used for?

Label Studio is an open‑source platform for annotating images, text, audio, time series, and video. It lets you design custom labeling interfaces and export annotations to formats your ML training pipelines can use.

How do I start a new project in Label Studio?

Create a project from the UI, select a template that matches your task, and customize the labeling config. Then import data (local files, URLs, or cloud storage) and assign tasks to annotators.

Which export formats does Label Studio support?

You can export raw JSON as well as formats like COCO, YOLO, Pascal VOC, and CSV/TSV. Some tools (like brush masks) may not map to all formats; check the export docs for details.

How can I speed up labeling in Label Studio?

Use pre‑annotations from a baseline model, learn hotkeys, and simplify your label schema. Run calibration rounds to reduce rework and set review criteria to catch errors early.

Can I run Label Studio with a team?

Yes. Assign tasks to annotators, enable reviews, and use consensus to measure agreement. Store data and annotations in reliable backends and automate exports with webhooks or the API.

כיצד להשתמש ב-Label Studio: מדריך מלא וללא שטויות לשנת 2025

אם אתם בונים ראייה ממוחשבת, NLP או בינה מלאכותית מרובת מודלים, סביר להניח שתיתקלו באותו צוואר בקבוק: נתונים מתויגים באיכות גבוהה. Label Studio, פלטפורמת תיוג נתונים בקוד פתוח, מעניקה לכם שליטה גמישה על תיוג תמונות, טקסט, אודיו, סדרות זמן ווידאו מבלי לנעול אתכם במחסנית ML יחידה. במדריך מעשי זה, צעד אחר צעד, נראה לכם כיצד להשתמש ב-Label Studio - מהתקנה ועד ייצוא - כך שתוכלו לעבור מ"פרויקט ריק" ל"תוויות מוכנות לייצור" בביטחון.

אנו נעקוב אחר סגנון מעשי ומכוון פתרונות: צעדים קצרים, החלטות ברורות וטיפים מועילים כדי להימנע מטעויות נפוצות.

מה תלמדו

כיצד להתקין ולהפעיל את Label Studio

כיצד ליצור את הפרויקט הראשון שלכם ולבחור תבנית תיוג

כיצד לייבא נתונים (קבצים מקומיים, דלי ענן, כתובות URL)

כיצד להגדיר את ממשק התיוג לתמונות, טקסט, אודיו או וידאו

כיצד לנהל מתייגים, ביקורות ואבטחת איכות

כיצד לייצא תיוגים לפורמטים התואמים לצינורות האימון שלכם

ראוי לציין: אם אתם מתזמרים מחקר מרובה מודלים או מנסחים תיעוד של מערך נתונים, טייס AI כמו Sider.AI יכול לעזור ליצור הנחיות משימה או סיכומים אוטומטיים של מדיניות תיוג כדי לשמור על יישור קו של הצוותים. אתם יכולים לבדוק את זה ב-Sider.ai.

למה Label Studio?

סכימה גמישה: הגדירו תצורת תיוג מותאמת אישית עבור תיבות תוחמות, מצולעים, נקודות מפתח, טווחי טקסט, יחסים, אזורי שמע ועוד.

סוגי נתונים רחבים: תמונות, טקסט, אודיו, HTML, סדרות זמן ווידאו.

תהליכי עבודה של צוות: הקצו משימות, אפשרו קונצנזוס, סקרו תיוגים ונהלו איכות.

ניתן להרחבה: השתלבו עם קצה אחורי של אחסון, וו-בhooks ותיוג בסיוע מודל.

לסקירה כללית והורדות רשמיות, ראו את דף הבית של Label Studio.

שלב 1: התקינו את Label Studio

אתם יכולים להפעיל את Label Studio באופן מקומי עם Python או Docker. בחרו גישה אחת:

אפשרות א': Python (pip)

# צרו סביבה וירטואלית (מומלץ)
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
# התקינו את Label Studio
pip install label-studio
# הפעלה
label-studio start

לאחר מכן בקרו בכתובת ה-URL המקומית המודפסת (לעתים קרובות `).

אפשרות ב': Docker

docker run -it -p 8080:8080 heartexlabs/label-studio:latest

אם אתם חדשים ב-Label Studio, המדריך הרשמי "תחילת העבודה" הוא תמציתי ומעודכן באופן קבוע, וההתחלה המהירה מתמקדת בצעדים המינימליים לתיוג מערך נתונים לדוגמה.

טיפ מקצועי: עבור צוותים, שקלו מסד נתונים מנוהל (PostgreSQL) ואחסון מותקן לחוסן.

שלב 2: צרו פרויקט

התחברו לממשק המשתמש ולחצו על "Create Project".

תנו לו שם ברור (לדוגמה, "Retail Shelf Detection v1") ותיאור (כללו גרסת מערך נתונים ומטרה).

בחרו "Labeling Setup". אתם יכולים:

התחילו מתבנית (לדוגמה, זיהוי אובייקטים, NER, סנטימנט, אזורי שמע)

או כתבו תצורת XML מותאמת אישית כדי להתאים את הכלים והמחלקות

אשף ההתחלה המהירה עוזר לכם לבחור תבנית, לשנות שמות של מחלקות ולשמור את התצורה.

שלב 3: ייבאו את הנתונים שלכם

אתם יכולים לייבא נתונים דרך ממשק המשתמש או ה-API. נתיבים נפוצים:

העלו קבצים מקומיים (גרור ושחרר)

ספקו כתובות URL לקבצים מרוחקים

חברו אחסון בענן (S3, GCS, Azure Blob) דרך ההגדרות

השתמשו ב-REST API לצורך בליעה פרוגרמטית

רשומות נתונים כוללות בדרך כלל מטען data המצביע על הנכס שלכם (לדוגמה, "image": " או "text": "זהו משפט."`). שמרו על שמות קבצים יציבים כדי לפשט את המיפוי במהלך הייצוא.

טיפ איכותי: גרסו את מערך הנתונים שלכם ושמרו מניפסט של מקור → ייצוא תיוג כדי שתוכלו לשחזר ריצות אימון.

שלב 4: הגדירו את ממשק התיוג

ממשק התיוג מגדיר כלים ומחלקות. תראו תצורה דמוית XML שבה אתם בוחרים רכיבים כגון RectangleLabels, PolygonLabels, KeyPointLabels, TextArea, Choices, Audio, TimeSeries וכו'.

דוגמאות:

זיהוי אובייקטים בתמונה

<View>
<Image name="img" value="$image"/>
<RectangleLabels name="label" toName="img">
<Label value="Product" background="#34D399"/>
<Label value="PriceTag" background="#60A5FA"/>
</RectangleLabels>
</View>

זיהוי ישויות בעלות שם בטקסט (NER)

<View>
<Text name="txt" value="$text"/>
<Labels name="label" toName="txt">
<Label value="ORG"/>
<Label value="PERSON"/>
<Label value="LOC"/>
</Labels>
</View>

תיוג אזורי שמע

<View>
<Audio name="audio" value="$audio"/>
<Labels name="label" toName="audio">
<Label value="Speech"/>
<Label value="Noise"/>
<Label value="Music"/>
</Labels>
</View>

התחילו עם התבנית הקרובה ביותר למשימה שלכם וחזרו עליה. שמרו על שמות מחלקות יציבים בין גרסאות כדי להקל על מיזוג מערכי נתונים.

שלב 5: שיטות עבודה מומלצות לתיוג

הגדירו הנחיות ברורות: כללו דוגמאות של תיוגים נכונים לעומת תיוגים שגויים ומקרים קיצוניים.

השתמשו במקשים חמים: אמנו מהירות ועקביות על ידי לימוד קיצורי המקשים עבור הכלים שלכם.

כיילו מוקדם: בקשו מ-2–3 מתייגים לתייג את אותם 50–100 פריטים, השוו תוצאות וחדדו את המדריך.

הוסיפו תיוגים מראש: אם יש לכם מודל בסיסי, ייבאו תחזיות כדי להאיץ תיקונים.

אזנו בין תפוקה לאיכות: השתמשו בתורי קונצנזוס או ביקורת כאשר הסיכונים גבוהים.

דרך אגב, לכתיבת הנחיות תיוג חדות ועקביות או להמרת ידע תחום לרשימות תיוג ידידותיות למתייגים, Sider.AI יכולה לנסח ולחדד הוראות במהירות תוך שמירה על יומן שינויים שהצוותים יכולים לעקוב אחריו.

שלב 6: ניהול מתייגים, ביקורות ובקרת איכות

Label Studio תומך בצוותים:

הקצו משימות למתייגים ספציפיים

אפשרו תהליכי עבודה של ביקורת/אישור

עקבו אחר התקדמות וביצועי מתייגים

השתמשו בקונצנזוס (מספר תיוגים לכל משימה) כדי למדוד הסכמה

הגדירו קריטריוני קבלה מפורשים (לדוגמה, סף IoU לתיבות, כללי גבולות טווח, משך אזור שמע מינימלי) ואכפו אותם במהלך הביקורת.

בדיקות בקרת איכות נפוצות:

תוויות חסרות או מחלקות שגויות

הידוק לא עקבי של תיבות תוחמות

ישויות חופפות ב-NER

סחף בהגדרות לאורך זמן (עדכנו את המדריך!)

שלב 7: ייצוא תיוגים

כאשר האצווה שלכם מוכנה, ייצאו תיוגים לאימון. Label Studio מאחסן תיוגים ב-JSON באופן פנימי ומאפשר לכם לייצא למספר פורמטים. ראו את מסמכי הייצוא הרשמיים לרשימה ולשלבים הנוכחיים.

פורמטים טיפוסיים כוללים:

JSON גולמי של Label Studio (השלם והאבוד ביותר)

COCO (לזיהוי/פילוח)

YOLO (לזיהוי אובייקטים)

Pascal VOC

CSV/TSV למשימות פשוטות יותר

הערות חשובות:

חלק מהכלים (לדוגמה, מברשת/פילוחים) אינם ממופים בצורה נקייה לפורמטים מסוימים - COCO ו-YOLO עשויים שלא לתמוך ישירות במברשות חופשיות. ראו הנחיות קהילתיות לגבי אזהרות ייצוא פילוח.

קיימים ממירים להמרת Label Studio JSON ל-YOLO, אך פערים יכולים להתרחש בהתאם לכלי התיוג שבו נעשה שימוש ולמטא-נתונים ששמרתם.

זרימת ייצוא מעשית:

הריצו ייצוא בדיקה קטן מוקדם; אמת שאופן הניתוח של סקריפט האימון שלכם תקין.

נעלו את קביעת הייצוא המוגדרת מראש שלכם (סדר מחלקות, הנחות רזולוציה וכו').

תעדו את כל שלבי ההמרה (סקריפטים, האשים גרסה) לשם שחזור.

שלב 8: השתלבו עם צינור ה-ML שלכם

השתמשו ב-API כדי למשוך תיוגים שהושלמו למשימות האימון שלכם.

שמרו על פיצולים דטרמיניסטיים: צרפו מטא-נתונים כמו split: train/val/test למשימות.

גרסו הכל: מניפסטים של מערך נתונים, ייצואי תיוג, תצורות מודל.

סגרו את הלולאה: הריצו ניתוח שגיאות, זהו אשכולות כשל ותזמנו סבבי תיוג מחדש.

תבנית זרימת עבודה:

תייגו קבוצת זרעים

אמנו מודל בסיסי

כרו דוגמאות קשות משגיאות מודל

תייגו מחדש פרוסות ממוקדות

חזרו

לולאת למידה פעילה זו מגבירה את האיכות מהר יותר מאשר תיוג בכוח גס.

פתרון בעיות נפוצות

"הייצוא שלי לא נטען לתוך YOLO/COCO."

בדקו את תאימות הכלים (לדוגמה, מברשות לעומת מצולעים). המירו לצורות תואמות במידת האפשר והתייעצו עם מסמכי הייצוא והערות הקהילה.

"תוויות לא תואמות לסדר מחלקות האימון שלי."

תקנו את הסדר מוקדם. תקננו שמות תווית ושמרו על מיפוי בצינור שלכם.

"למתייגים יש הרבה חילוקי דעות."

הוסיפו סבבי כיול, הבהירו כללים ושקלו שלבי קונצנזוס או בוררות.

"התיוג איטי."

השתמשו בתיוגים מראש, במקשים חמים ובקיצורי דרך ספציפיים לכלים (לדוגמה, פילוח אוטומטי, הצמדה). גזמו משימות בעלות ערך נמוך.

רשימת בדיקה מהירה של 30 דקות

התקינו את Label Studio (pip או Docker)

צרו פרויקט עם התבנית הרלוונטית ביותר

ייבאו 50–100 פריטי דוגמה

נסחו הנחיות עם מקרים קיצוניים ודוגמאות

הקצו שני מתייגים לאצווה כיול

סקרו חילוקי דעות ועדכנו כללים

בדקו ייצוא לקוד האימון שלכם

התחילו להתרחב

לצורך הסבר רשמי ותמציתי, בקרו שוב ב"תחילת העבודה" ובמדריך "התחלה מהירה".

טיפים מתקדמים למשתמשי כוח

ווידג'טים מותאמים אישית: הרחיבו את הממשק עבור כלים ספציפיים לתחום.

וו-בhooks: הפעילו משימות (לדוגמה, הפעילו המרות או אימון מודל) כאשר המשימות הושלמו.

תיוג בסיוע מודל: השתמשו בתוויות מראש מהמודלים הפנימיים או מהענן שלכם כדי להפחית עבודה ידנית.

פרטיות נתונים: הריצו במקום, הגבילו ייצואים ורשמו גישה עבור מערכי נתונים מוסדרים.

ניתוח נתונים: עקבו אחר התפלגות לכל מחלקה ומדדים לכל מתייג כדי לזהות הטיה.

מסקנה: מאב טיפוס למערכי נתונים מוכנים לייצור

Label Studio עוזר לכם לעבור במהירות מרעיון לנתוני אימון עקביים: בחרו תבנית, הגדירו את הסכימה שלכם, כיילו את הצוות שלכם וייצאו בפורמטים שהמודלים שלכם צריכים. שמרו על ההנחיות שלכם בחיים, אמת ייצואים מוקדם וסגרו את הלולאה עם למידה פעילה. עם הרגלים אלה, תבלו פחות זמן בהיאבקות עם פורמטים ויותר זמן בשליחת מודלים שעובדים.

לצלילות ותבניות עמוקות יותר, ראו:

דף הבית של Label Studio

מדריך תחילת העבודה

מדריך התחלה מהירה

פורמטי ייצוא ואזהרות

שאלות נפוצות

ש1: למה משמש Label Studio? Label Studio היא פלטפורמת קוד פתוח לתיוג תמונות, טקסט, אודיו, סדרות זמן ווידאו. היא מאפשרת לכם לעצב ממשקי תיוג מותאמים אישית ולייצא תיוגים לפורמטים שצינורות האימון של ML שלכם יכולים להשתמש בהם.

ש2: כיצד אני מתחיל פרויקט חדש ב-Label Studio? צרו פרויקט מממשק המשתמש, בחרו תבנית שתואמת למשימה שלכם והתאימו אישית את תצורת התיוג. לאחר מכן ייבאו נתונים (קבצים מקומיים, כתובות URL או אחסון בענן) והקצו משימות למתייגים.

ש3: אילו פורמטי ייצוא תומך Label Studio? אתם יכולים לייצא JSON גולמי כמו גם פורמטים כמו COCO, YOLO, Pascal VOC ו-CSV/TSV. ייתכן שחלק מהכלים (כגון מסכות מברשת) לא ימופו לכל הפורמטים; בדקו את מסמכי הייצוא לפרטים.

ש4: כיצד אוכל להאיץ את התיוג ב-Label Studio? השתמשו בתיוגים מראש ממודל בסיסי, למדו מקשים חמים ופשטו את סכימת התווית שלכם. הריצו סבבי כיול כדי להפחית עבודה חוזרת והגדירו קריטריוני ביקורת כדי לתפוס שגיאות מוקדם.

ש5: האם אני יכול להפעיל את Label Studio עם צוות? כן. הקצו משימות למתייגים, אפשרו ביקורות והשתמשו בקונצנזוס כדי למדוד הסכמה. אחסנו נתונים ותיוגים בקצה אחורי אמין ואמתו ייצואים עם וו-בhooks או ה-API.