Cara Menggunakan Label Studio: Panduan Lengkap dan Singkat untuk Tahun 2025
Jika Anda sedang mengembangkan , NLP, atau AI multimodal, Anda mungkin akan menghadapi masalah yang sama: data berlabel berkualitas tinggi. Label Studio, sebuah platform pelabelan data sumber terbuka, memberi Anda kontrol fleksibel atas anotasi gambar, teks, audio, deret waktu, dan video tanpa mengunci Anda ke dalam tumpukan ML tunggal. Dalam tutorial praktis langkah demi langkah ini, kami akan menunjukkan cara menggunakan Label Studio—mulai dari instalasi hingga ekspor—sehingga Anda dapat beralih dari "proyek kosong" menjadi "label siap produksi" dengan percaya diri.
Kami akan mengikuti gaya yang praktis & berorientasi pada solusi: langkah-langkah pendek, keputusan yang jelas, dan tips bermanfaat untuk menghindari kesalahan umum.
Apa yang Akan Anda Pelajari
- Cara menginstal dan meluncurkan Label Studio
- Cara membuat proyek pertama Anda dan memilih templat pelabelan
- Cara mengimpor data (file lokal, bucket cloud, URL)
- Cara mengatur antarmuka pelabelan untuk gambar, teks, audio, atau video
- Cara mengelola pelabel, tinjauan, dan jaminan kualitas
- Cara mengekspor anotasi ke format yang kompatibel dengan pipeline pelatihan Anda
Perlu dicatat: Jika Anda mengatur riset multi-model atau menyusun dokumentasi dataset, AI seperti Sider.AI dapat membantu menghasilkan panduan tugas atau ringkasan otomatis kebijakan anotasi untuk menjaga tim tetap selaras. Anda dapat memeriksanya di Sider.ai. Mengapa Label Studio?
- Skema fleksibel: Tentukan konfigurasi pelabelan khusus untuk kotak pembatas, poligon, titik kunci, rentang teks, relasi, wilayah audio, dan lainnya.
- Jenis data yang luas: Gambar, teks, audio, HTML, deret waktu, dan video.
- Alur kerja tim: Menugaskan tugas, mengaktifkan konsensus, meninjau anotasi, dan mengelola kualitas.
- Ekstensibel: Berintegrasi dengan backend penyimpanan, webhook, dan pelabelan berbantuan model.
Untuk ikhtisar dan unduhan resmi, lihat beranda Label Studio.
Langkah 1: Instal Label Studio
Anda dapat menjalankan Label Studio secara lokal dengan Python atau Docker. Pilih salah satu pendekatan:
Opsi A: Python (pip)
# Buat lingkungan virtual (disarankan)
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
# Instal Label Studio
pip install label-studio
# Luncurkan
label-studio start
Kemudian kunjungi URL lokal yang dicetak (seringkali `).
Opsi B: Docker
docker run -it -p 8080:8080 heartexlabs/label-studio:latest
Jika Anda baru mengenal Label Studio, panduan "Memulai" resmi sangat ringkas dan diperbarui secara berkala, dan mulai cepat berfokus pada langkah-langkah minimal untuk melabel dataset contoh.
Tip pro: Untuk tim, pertimbangkan database terkelola (PostgreSQL) dan penyimpanan yang dipasang untuk ketahanan.
Langkah 2: Buat Proyek
- Masuk ke UI dan klik "Buat Proyek".
- Berikan nama yang jelas (mis., "Deteksi Rak Ritel v1") dan deskripsi (sertakan versi dan tujuan dataset).
- Pilih "Pengaturan Pelabelan". Anda dapat:
- Mulai dari templat (mis., deteksi objek, NER, sentimen, wilayah audio)
- Atau tulis konfigurasi XML khusus untuk menyesuaikan alat dan kelas
Panduan mulai cepat membantu Anda memilih templat, mengganti nama kelas, dan menyimpan konfigurasi.
Langkah 3: Impor Data Anda
Anda dapat mengimpor data melalui UI atau API. Jalur umum:
- Unggah file lokal (seret dan lepas)
- Berikan URL ke file jarak jauh
- Hubungkan penyimpanan cloud (S3, GCS, Azure Blob) melalui pengaturan
- Gunakan REST API untuk penyerapan terprogram
Catatan data biasanya menyertakan payload data yang menunjuk ke aset Anda (mis., "image": " atau "text": "Ini adalah sebuah kalimat."`). Pertahankan nama file stabil untuk menyederhanakan pemetaan selama ekspor.
Tip kualitas: Beri versi dataset Anda dan simpan manifes sumber → ekspor anotasi sehingga Anda dapat mereproduksi proses pelatihan.
Langkah 4: Konfigurasikan Antarmuka Pelabelan
Antarmuka pelabelan menentukan alat dan kelas. Anda akan melihat konfigurasi seperti XML di mana Anda memilih komponen seperti RectangleLabels, PolygonLabels, KeyPointLabels, TextArea, Choices, Audio, TimeSeries, dll.
Contoh:
Deteksi Objek Gambar
<View>
<Image name="img" value="$image"/>
<RectangleLabels name="label" toName="img">
<Label value="Product" background="#34D399"/>
<Label value="PriceTag" background="#60A5FA"/>
</RectangleLabels>
</View>
Pengenalan Entitas Bernama Teks (NER)
<View>
<Text name="txt" value="$text"/>
<Labels name="label" toName="txt">
<Label value="ORG"/>
<Label value="PERSON"/>
<Label value="LOC"/>
</Labels>
</View>
Pelabelan Wilayah Audio
<View>
<Audio name="audio" value="$audio"/>
<Labels name="label" toName="audio">
<Label value="Speech"/>
<Label value="Noise"/>
<Label value="Music"/>
</Labels>
</View>
Mulailah dengan templat yang paling dekat dengan tugas Anda dan ulangi. Pertahankan nama kelas stabil di seluruh versi untuk memudahkan penggabungan dataset.
Langkah 5: Praktik Terbaik Pelabelan
- Tentukan panduan yang jelas: Sertakan contoh anotasi yang benar vs. salah dan kasus ekstrem.
- Gunakan hotkey: Latih kecepatan dan konsistensi dengan mempelajari pintasan keyboard untuk alat Anda.
- Kalibrasi sejak awal: Minta 2–3 pelabel menganotasi 50–100 item yang sama, bandingkan hasilnya, dan perbaiki panduan.
- Tambahkan pra-anotasi: Jika Anda memiliki model dasar, impor prediksi untuk mempercepat koreksi.
- Seimbangkan throughput dan kualitas: Gunakan konsensus atau antrean peninjauan saat taruhannya tinggi.
Ngomong-ngomong, untuk menulis panduan anotasi yang tajam dan konsisten atau mengubah pengetahuan domain menjadi daftar periksa yang ramah pelabel, Sider.AI dapat menyusun dan menyempurnakan instruksi dengan cepat sambil menyimpan catatan perubahan yang dapat diikuti oleh tim. Langkah 6: Kelola Pelabel, Tinjauan, dan QA
Label Studio mendukung tim:
- Menugaskan tugas ke anotator tertentu
- Aktifkan alur kerja peninjauan/persetujuan
- Lacak kemajuan dan kinerja pelabel
- Gunakan konsensus (beberapa anotasi per tugas) untuk mengukur kesepakatan
Tetapkan kriteria penerimaan eksplisit (mis., ambang batas IoU untuk kotak, aturan batas rentang, durasi wilayah audio minimum) dan tegakkan selama peninjauan.
Pemeriksaan QA umum:
- Label hilang atau kelas salah
- Ketidaksesuaian kerapatan kotak pembatas
- Entitas yang tumpang tindih di NER
- Definisi yang melenceng dari waktu ke waktu (perbarui panduan!)
Langkah 7: Ekspor Anotasi
Saat batch Anda siap, ekspor anotasi untuk pelatihan. Label Studio menyimpan anotasi dalam JSON secara internal dan memungkinkan Anda mengekspor ke beberapa format. Lihat dokumen ekspor resmi untuk daftar dan langkah-langkah saat ini.
Format umum meliputi:
- JSON Label Studio mentah (paling lengkap dan tanpa kehilangan)
- COCO (untuk deteksi/segmentasi)
- YOLO (untuk deteksi objek)
- CSV/TSV untuk tugas yang lebih sederhana
Catatan penting:
- Beberapa alat (mis., kuas/segmentasi) tidak memetakan dengan bersih ke format tertentu—COCO dan YOLO mungkin tidak mendukung kuas bentuk bebas secara langsung. Lihat panduan komunitas tentang peringatan ekspor segmentasi.
- Konverter ada untuk mengubah JSON Label Studio menjadi YOLO, tetapi celah dapat terjadi tergantung pada alat pelabelan yang digunakan dan metadata yang Anda pertahankan.
Alur ekspor praktis:
- Jalankan ekspor pengujian kecil di awal; validasi bahwa skrip pelatihan Anda mengurainya.
- Kunci preset ekspor Anda (urutan kelas, asumsi resolusi, dll.).
- Dokumentasikan setiap langkah konversi (skrip, hash versi) untuk reproduktifitas.
Langkah 8: Berintegrasi Dengan Pipeline ML Anda
- Gunakan API untuk menarik anotasi yang telah selesai ke dalam pekerjaan pelatihan Anda.
- Pertahankan pemisahan deterministik: lampirkan metadata seperti
split: train/val/test ke tugas.
- Beri versi semuanya: manifes dataset, ekspor anotasi, konfigurasi model.
- Tutup lingkaran: jalankan analisis kesalahan, identifikasi kluster kegagalan, dan jadwalkan putaran pelabelan ulang.
Pola alur kerja:
- Tambang contoh sulit dari kesalahan model
- Labeli ulang irisan yang ditargetkan
Lingkaran pembelajaran aktif ini meningkatkan kualitas lebih cepat daripada pelabelan paksa.
Memecahkan Masalah Umum
- "Ekspor saya tidak mau dimuat ke YOLO/COCO."
- Periksa kompatibilitas alat (mis., kuas vs. poligon). Konversi ke bentuk yang kompatibel bila memungkinkan dan konsultasikan dokumen ekspor dan catatan komunitas.
- "Label tidak sesuai dengan urutan kelas pelatihan saya."
- Perbaiki pengurutan di awal. Standarisasi nama label dan pertahankan pemetaan di pipeline Anda.
- "Anotator sangat tidak setuju."
- Tambahkan putaran kalibrasi, klarifikasi aturan, dan pertimbangkan langkah-langkah konsensus atau arbitrase.
- Gunakan pra-anotasi, hotkey, dan percepatan khusus alat (mis., auto-segment, snapping). Pangkas tugas bernilai rendah.
Daftar Periksa Mulai Cepat 30 Menit
- Instal Label Studio (pip atau Docker)
- Buat proyek dengan templat yang paling relevan
- Susun panduan dengan kasus ekstrem dan contoh
- Tugaskan dua pelabel untuk batch kalibrasi
- Tinjau ketidaksepakatan dan perbarui aturan
- Uji ekspor ke dalam kode pelatihan Anda
Untuk panduan resmi dan ringkas, kunjungi kembali "Memulai" dan panduan "Mulai Cepat".
Tip Lanjutan untuk Pengguna Tingkat Lanjut
- Widget khusus: Perluas antarmuka untuk alat khusus domain.
- Webhook: Picu pekerjaan (mis., mulai konversi atau pelatihan model) saat tugas selesai.
- Pelabelan berbantuan model: Gunakan pra-label dari model internal atau cloud Anda untuk mengurangi pekerjaan manual.
- Privasi data: Jalankan di tempat, batasi ekspor, dan catat akses untuk dataset yang diatur.
- Analitik: Lacak distribusi per kelas dan metrik per pelabel untuk melihat kemiringan.
Kesimpulan: Dari Prototipe ke Dataset Siap Produksi
Label Studio membantu Anda bergerak cepat dari konsep ke data pelatihan yang konsisten: pilih templat, tentukan skema Anda, kalibrasi tim Anda, dan ekspor dalam format yang dibutuhkan model Anda. Pertahankan panduan Anda tetap hidup, validasi ekspor di awal, dan tutup lingkaran dengan pembelajaran aktif. Dengan kebiasaan itu, Anda akan menghabiskan lebih sedikit waktu untuk bergulat dengan format dan lebih banyak waktu untuk mengirimkan model yang berfungsi.
Untuk penyelaman dan templat yang lebih dalam, lihat:
- Format dan peringatan ekspor
FAQ
Q1:Untuk apa Label Studio digunakan?
Label Studio adalah platform sumber terbuka untuk menganotasi gambar, teks, audio, deret waktu, dan video. Ini memungkinkan Anda merancang antarmuka pelabelan khusus dan mengekspor anotasi ke format yang dapat digunakan oleh pipeline pelatihan ML Anda.
Q2:Bagaimana cara memulai proyek baru di Label Studio?
Buat proyek dari UI, pilih templat yang sesuai dengan tugas Anda, dan sesuaikan konfigurasi pelabelan. Kemudian impor data (file lokal, URL, atau penyimpanan cloud) dan tugaskan tugas ke anotator.
Q3:Format ekspor mana yang didukung Label Studio?
Anda dapat mengekspor JSON mentah serta format seperti COCO, YOLO, Pascal VOC, dan CSV/TSV. Beberapa alat (seperti masker kuas) mungkin tidak memetakan ke semua format; periksa dokumen ekspor untuk detailnya.
Q4:Bagaimana cara mempercepat pelabelan di Label Studio?
Gunakan pra-anotasi dari model dasar, pelajari hotkey, dan sederhanakan skema label Anda. Jalankan putaran kalibrasi untuk mengurangi pengerjaan ulang dan tetapkan kriteria peninjauan untuk menangkap kesalahan sejak awal.
Q5:Dapatkah saya menjalankan Label Studio dengan tim?
Ya. Tugaskan tugas ke anotator, aktifkan peninjauan, dan gunakan konsensus untuk mengukur kesepakatan. Simpan data dan anotasi di backend yang andal dan otomatiskan ekspor dengan webhook atau API.
