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.

วิธีใช้งาน Label Studio: คู่มือฉบับสมบูรณ์ ไม่เยิ่นเย้อ สำหรับปี 2025

หากคุณกำลังพัฒนา Computer Vision, NLP หรือ Multimodal AI คุณอาจจะต้องเผชิญกับปัญหาคอขวดเดียวกัน: ข้อมูลที่มีป้ายกำกับคุณภาพสูง Label Studio ซึ่งเป็นแพลตฟอร์มติดป้ายกำกับข้อมูลแบบโอเพนซอร์ส ช่วยให้คุณควบคุมการใส่คำอธิบายประกอบรูปภาพ, ข้อความ, เสียง, ชุดข้อมูลอนุกรมเวลา (Time series) และวิดีโอได้อย่างยืดหยุ่น โดยไม่ต้องผูกมัดคุณกับ ML Stack ใด ๆ ในบทช่วยสอนเชิงปฏิบัติแบบทีละขั้นตอน เราจะแสดงวิธีใช้ Label Studio ตั้งแต่การติดตั้งไปจนถึงการส่งออก เพื่อให้คุณสามารถเปลี่ยนจาก “โปรเจ็กต์ว่างเปล่า” ไปสู่ “ป้ายกำกับที่พร้อมสำหรับการใช้งานจริง” ได้อย่างมั่นใจ

เราจะทำตามรูปแบบที่เน้นการแก้ปัญหาและใช้งานได้จริง: ขั้นตอนสั้น ๆ การตัดสินใจที่ชัดเจน และเคล็ดลับที่เป็นประโยชน์เพื่อหลีกเลี่ยงข้อผิดพลาดทั่วไป

สิ่งที่คุณจะได้เรียนรู้

วิธีการติดตั้งและเปิดใช้งาน Label Studio

วิธีการสร้างโปรเจ็กต์แรกของคุณและเลือกเทมเพลตการติดป้ายกำกับ

วิธีการนำเข้าข้อมูล (ไฟล์ในเครื่อง, Cloud Buckets, URLs)

วิธีการตั้งค่าอินเทอร์เฟซการติดป้ายกำกับสำหรับรูปภาพ, ข้อความ, เสียง หรือวิดีโอ

วิธีการจัดการผู้ติดป้ายกำกับ, การตรวจสอบ และการประกันคุณภาพ

วิธีการส่งออกคำอธิบายประกอบไปยังรูปแบบที่เข้ากันได้กับไปป์ไลน์การฝึกอบรมของคุณ

สิ่งที่ควรทราบ: หากคุณกำลังจัดการงานวิจัยแบบหลายโมเดล หรือร่างเอกสารชุดข้อมูล (Dataset Documentation) ซึ่งเป็น AI Copilot สามารถช่วยสร้างแนวทางสำหรับงานหรือสรุปนโยบายคำอธิบายประกอบโดยอัตโนมัติเพื่อให้ทีมสอดคล้องกัน คุณสามารถตรวจสอบได้ที่ Sider.ai.

ทำไมต้อง Label Studio?

รูปแบบที่ยืดหยุ่น: กำหนดค่าการติดป้ายกำกับที่กำหนดเองสำหรับ Bounding Boxes, รูปหลายเหลี่ยม (Polygons), Keypoints, Text Spans, ความสัมพันธ์, Audio Regions และอื่น ๆ

ประเภทข้อมูลที่หลากหลาย: รูปภาพ, ข้อความ, เสียง, HTML, ชุดข้อมูลอนุกรมเวลา (Time series) และวิดีโอ

ขั้นตอนการทำงานของทีม: มอบหมายงาน, เปิดใช้งาน Consensus, ตรวจสอบคำอธิบายประกอบ และจัดการคุณภาพ

ขยายได้: ผสานรวมกับ Storage Backends, Webhooks และการติดป้ายกำกับโดยใช้ Model-assisted

สำหรับภาพรวมและการดาวน์โหลดอย่างเป็นทางการ โปรดดูที่โฮมเพจ Label Studio

ขั้นตอนที่ 1: ติดตั้ง Label Studio

คุณสามารถเรียกใช้ Label Studio ในเครื่องของคุณด้วย Python หรือ Docker เลือกวิธีใดวิธีหนึ่ง:

ตัวเลือก A: Python (pip)

# สร้างสภาพแวดล้อมเสมือน (แนะนำ)
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
# ติดตั้ง Label Studio
pip install label-studio
# เปิดใช้งาน
label-studio start

จากนั้นไปที่ URL ในเครื่องที่พิมพ์ออกมา (มักจะเป็น `).

ตัวเลือก B: Docker

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

หากคุณยังใหม่กับ Label Studio คู่มือ “เริ่มต้นใช้งาน” อย่างเป็นทางการนั้นกระชับและมีการอัปเดตเป็นประจำ และ Quick Start จะเน้นที่ขั้นตอนที่น้อยที่สุดในการติดป้ายกำกับชุดข้อมูลตัวอย่าง

เคล็ดลับมือโปร: สำหรับทีม ให้พิจารณาฐานข้อมูลที่มีการจัดการ (PostgreSQL) และ Storage ที่ Mount แล้วเพื่อความยืดหยุ่น

ขั้นตอนที่ 2: สร้างโปรเจ็กต์

เข้าสู่ระบบ UI แล้วคลิก “สร้างโปรเจ็กต์”

ตั้งชื่อที่ชัดเจน (เช่น “Retail Shelf Detection v1”) และคำอธิบาย (รวมถึงเวอร์ชันและวัตถุประสงค์ของชุดข้อมูล)

เลือก “การตั้งค่าการติดป้ายกำกับ” คุณสามารถ:

เริ่มต้นจากเทมเพลต (เช่น Object Detection, NER, Sentiment, Audio Regions)

หรือเขียน XML Config ที่กำหนดเองเพื่อปรับแต่งเครื่องมือและ Classes

Quick Start Wizard จะช่วยคุณเลือกเทมเพลต เปลี่ยนชื่อ Classes และบันทึก Config

ขั้นตอนที่ 3: นำเข้าข้อมูลของคุณ

คุณสามารถนำเข้าข้อมูลผ่าน UI หรือ API เส้นทางทั่วไป:

อัปโหลดไฟล์ในเครื่อง (Drag-and-drop)

ระบุ URLs ไปยังไฟล์ระยะไกล

เชื่อมต่อ Cloud Storage (S3, GCS, Azure Blob) ผ่านการตั้งค่า

ใช้ REST API สำหรับการนำเข้าโปรแกรม

บันทึกข้อมูลมักจะมี Payload data ที่ชี้ไปยัง Asset ของคุณ (เช่น "image": " หรือ "text": "This is a sentence."`). รักษาสถานะชื่อไฟล์ให้คงที่เพื่อลดความซับซ้อนในการ Mapping ระหว่างการส่งออก

เคล็ดลับด้านคุณภาพ: กำหนดเวอร์ชันชุดข้อมูลของคุณและเก็บ Manifest ของ Source → Annotation Export เพื่อให้คุณสามารถสร้าง Training Runs ซ้ำได้

ขั้นตอนที่ 4: กำหนดค่าอินเทอร์เฟซการติดป้ายกำกับ

อินเทอร์เฟซการติดป้ายกำกับจะกำหนดเครื่องมือและ Classes คุณจะเห็น XML-like config ที่คุณเลือก Components เช่น RectangleLabels, PolygonLabels, KeyPointLabels, TextArea, Choices, Audio, TimeSeries ฯลฯ

ตัวอย่าง:

Image Object Detection

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

Text 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>

Audio Region Labeling

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

เริ่มต้นด้วยเทมเพลตที่ใกล้เคียงกับงานของคุณมากที่สุดแล้วทำซ้ำ รักษาสถานะชื่อ Class ให้คงที่ในทุกเวอร์ชันเพื่อให้การรวมชุดข้อมูลเป็นเรื่องง่าย

ขั้นตอนที่ 5: แนวทางปฏิบัติที่ดีที่สุดในการติดป้ายกำกับ

กำหนดแนวทางที่ชัดเจน: รวมตัวอย่างคำอธิบายประกอบที่ถูกต้องและไม่ถูกต้อง และกรณีพิเศษ

ใช้ Hotkeys: ฝึกความเร็วและความสอดคล้องโดยเรียนรู้คีย์บอร์ดช็อตคัตสำหรับเครื่องมือของคุณ

ปรับเทียบตั้งแต่เนิ่นๆ: ให้ผู้ติดป้ายกำกับ 2–3 คนใส่คำอธิบายประกอบรายการเดียวกัน 50–100 รายการ เปรียบเทียบผลลัพธ์ และปรับแต่งคู่มือ

เพิ่ม Pre-annotations: หากคุณมี Baseline Model ให้นำเข้าการคาดการณ์เพื่อเพิ่มความเร็วในการแก้ไข

สร้างสมดุลระหว่างปริมาณงานและคุณภาพ: ใช้ Consensus หรือ Review Queues เมื่อมีความเสี่ยงสูง

อีกอย่างคือ สำหรับการเขียนแนวทางการใส่คำอธิบายประกอบที่คมชัดและสอดคล้องกัน หรือการแปลงความรู้ในโดเมนให้เป็น Checklists ที่เป็นมิตรกับผู้ติดป้ายกำกับ สามารถร่างและปรับปรุงคำแนะนำได้อย่างรวดเร็ว พร้อมทั้งเก็บ Changelog ที่ทีมสามารถติดตามได้

ขั้นตอนที่ 6: จัดการผู้ติดป้ายกำกับ, การตรวจสอบ และ QA

Label Studio รองรับทีม:

มอบหมายงานให้กับ Annotators ที่เฉพาะเจาะจง

เปิดใช้งานขั้นตอนการตรวจสอบ/อนุมัติ

ติดตามความคืบหน้าและประสิทธิภาพของผู้ติดป้ายกำกับ

ใช้ Consensus (คำอธิบายประกอบหลายรายการต่องาน) เพื่อวัดข้อตกลง

กำหนดเกณฑ์การยอมรับที่ชัดเจน (เช่น เกณฑ์ IoU สำหรับ Boxes, กฎ Span Boundary, ระยะเวลา Audio Region ขั้นต่ำ) และบังคับใช้ระหว่างการตรวจสอบ

การตรวจสอบ QA ทั่วไป:

ป้ายกำกับหายไปหรือ Classes ไม่ถูกต้อง

ความกระชับของ Bounding Box ไม่สอดคล้องกัน

Entities ที่ทับซ้อนกันใน NER

คำจำกัดความที่เปลี่ยนแปลงไปเมื่อเวลาผ่านไป (อัปเดตคู่มือ!)

ขั้นตอนที่ 7: ส่งออกคำอธิบายประกอบ

เมื่อ Batch ของคุณพร้อมแล้ว ให้ส่งออกคำอธิบายประกอบสำหรับการฝึกอบรม Label Studio จัดเก็บคำอธิบายประกอบในรูปแบบ JSON ภายในและช่วยให้คุณส่งออกไปยังหลายรูปแบบ ดูเอกสารการส่งออกอย่างเป็นทางการสำหรับรายการและขั้นตอนปัจจุบัน

รูปแบบทั่วไป ได้แก่:

Raw Label Studio JSON (สมบูรณ์และไม่สูญเสียข้อมูลมากที่สุด)

COCO (สำหรับการตรวจจับ/การแบ่งส่วน)

YOLO (สำหรับการตรวจจับวัตถุ)

Pascal VOC

CSV/TSV สำหรับงานที่ง่ายกว่า

ข้อควรจำ:

เครื่องมือบางอย่าง (เช่น Brush/Segmentations) ไม่สามารถ Mapping ไปยังรูปแบบบางรูปแบบได้อย่างหมดจด COCO และ YOLO อาจไม่รองรับ Free-form Brushes โดยตรง ดูคำแนะนำจากชุมชนเกี่ยวกับข้อควรระวังในการส่งออก Segmentation

Converters มีอยู่สำหรับการแปลง Label Studio JSON เป็น YOLO แต่ช่องว่างอาจเกิดขึ้นได้ขึ้นอยู่กับเครื่องมือการติดป้ายกำกับที่ใช้และ Metadata ที่คุณเก็บรักษาไว้

ขั้นตอนการส่งออกเชิงปฏิบัติ:

เรียกใช้การทดสอบการส่งออกขนาดเล็กตั้งแต่เนิ่นๆ ตรวจสอบว่าสคริปต์การฝึกอบรมของคุณแยกวิเคราะห์ได้

ล็อก Export Preset ของคุณ (ลำดับ Class, ข้อสันนิษฐานเกี่ยวกับความละเอียด ฯลฯ)

จัดทำเอกสารขั้นตอนการแปลงใดๆ (สคริปต์, Version Hashes) เพื่อความสามารถในการทำซ้ำ

ขั้นตอนที่ 8: ผสานรวมกับ ML Pipeline ของคุณ

ใช้ API เพื่อดึงคำอธิบายประกอบที่เสร็จสมบูรณ์ลงใน Training Jobs ของคุณ

รักษาสถานะ Splits ให้เป็น Deterministic: แนบ Metadata เช่น split: train/val/test ไปยัง Tasks

กำหนดเวอร์ชันทุกอย่าง: Dataset Manifests, Annotation Exports, Model Configs

ปิด Loop: เรียกใช้ Error Analysis, ระบุ Failure Clusters และกำหนดเวลา Relabeling Rounds

รูปแบบ Workflow:

ติดป้ายกำกับ Seed Set

Train Baseline Model

Mine Hard Examples จาก Model Errors

Relabel Targeted Slices

ทำซ้ำ

Active-learning Loop นี้ช่วยเพิ่มคุณภาพได้เร็วกว่าการติดป้ายกำกับแบบ Brute-force

การแก้ไขปัญหาทั่วไป

“Export ของฉันไม่โหลดเข้าสู่ YOLO/COCO”

ตรวจสอบ Tool Compatibility (เช่น Brushes กับ Polygons) แปลงเป็น Shapes ที่เข้ากันได้เมื่อเป็นไปได้ และปรึกษาเอกสารการส่งออกและ Notes ของชุมชน

“ป้ายกำกับไม่ตรงกับลำดับ Class การฝึกอบรมของฉัน”

แก้ไขลำดับตั้งแต่เนิ่นๆ สร้างมาตรฐานชื่อป้ายกำกับและรักษาสถานะ Mapping ใน Pipeline ของคุณ

“Annotators ไม่เห็นด้วยจำนวนมาก”

เพิ่ม Calibration Rounds, ชี้แจงกฎ และพิจารณา Consensus หรือ Arbitration Steps

“Annotation ช้า”

ใช้ Pre-annotations, Hotkeys และ Tool-specific Speedups (เช่น Auto-segment, Snapping) Prune Low-value Tasks

รายการตรวจสอบเริ่มต้นอย่างรวดเร็ว 30 นาที

ติดตั้ง Label Studio (pip หรือ Docker)

สร้างโปรเจ็กต์ด้วยเทมเพลตที่เกี่ยวข้องมากที่สุด

นำเข้า 50–100 Sample Items

ร่างแนวทางพร้อม Edge Cases และตัวอย่าง

มอบหมายผู้ติดป้ายกำกับสองคนสำหรับ Calibration Batch

ตรวจสอบข้อขัดแย้งและอัปเดตกฎ

ทดสอบการส่งออกไปยัง Training Code ของคุณ

เริ่มปรับขนาด

สำหรับ Walkthrough อย่างเป็นทางการและกระชับ โปรดกลับไปดู “Getting Started” และ “Quick Start” Guide

เคล็ดลับขั้นสูงสำหรับ Power Users

Custom Widgets: ขยายอินเทอร์เฟซสำหรับ Tool เฉพาะโดเมน

Webhooks: เรียกใช้ Jobs (เช่น เริ่มต้นการแปลงหรือ Model Training) เมื่อ Tasks เสร็จสมบูรณ์

Model-assisted Labeling: ใช้ Pre-labels จาก In-house หรือ Cloud Models ของคุณเพื่อลดงาน Manual

Data Privacy: เรียกใช้ On-prem, จำกัดการส่งออก และบันทึกการเข้าถึงสำหรับ Regulated Datasets

Analytics: ติดตาม Per-class Distribution และ Per-labeler Metrics เพื่อตรวจสอบ Skew

บทสรุป: จาก Prototype สู่ Datasets ที่พร้อมสำหรับการใช้งานจริง

Label Studio ช่วยให้คุณเปลี่ยนจากแนวคิดไปสู่ Training Data ที่สอดคล้องกันได้อย่างรวดเร็ว: เลือกเทมเพลต กำหนด Schema ของคุณ ปรับเทียบทีมของคุณ และส่งออกในรูปแบบที่ Models ของคุณต้องการ รักษาสถานะแนวทางของคุณให้มีชีวิตชีวา ตรวจสอบ Export ตั้งแต่เนิ่นๆ และปิด Loop ด้วย Active Learning ด้วยนิสัยเหล่านั้น คุณจะใช้เวลาน้อยลงในการต่อสู้กับรูปแบบ และใช้เวลามากขึ้นในการจัดส่ง Models ที่ใช้งานได้

สำหรับ Deep Dives และ Templates เพิ่มเติม โปรดดู:

Label Studio Homepage

Getting Started Tutorial

Quick Start Guide

Export Formats และข้อควรระวัง

FAQ

Q1:Label Studio ใช้สำหรับอะไร? Label Studio เป็นแพลตฟอร์มโอเพนซอร์สสำหรับใส่คำอธิบายประกอบรูปภาพ, ข้อความ, เสียง, ชุดข้อมูลอนุกรมเวลา และวิดีโอ ช่วยให้คุณออกแบบอินเทอร์เฟซการติดป้ายกำกับที่กำหนดเองและส่งออกคำอธิบายประกอบไปยังรูปแบบที่ ML Training Pipelines ของคุณสามารถใช้ได้

Q2:ฉันจะเริ่มต้นโปรเจ็กต์ใหม่ใน Label Studio ได้อย่างไร? สร้างโปรเจ็กต์จาก UI เลือกเทมเพลตที่ตรงกับงานของคุณ และปรับแต่ง Labeling Config จากนั้นนำเข้าข้อมูล (ไฟล์ในเครื่อง, URLs หรือ Cloud Storage) และมอบหมายงานให้กับ Annotators

Q3:Label Studio รองรับรูปแบบการส่งออกใดบ้าง? คุณสามารถส่งออก Raw JSON รวมถึงรูปแบบต่างๆ เช่น COCO, YOLO, Pascal VOC และ CSV/TSV เครื่องมือบางอย่าง (เช่น Brush Masks) อาจไม่สามารถ Mapping ไปยังทุกรูปแบบได้ ตรวจสอบเอกสารการส่งออกสำหรับรายละเอียด

Q4:ฉันจะเพิ่มความเร็วในการติดป้ายกำกับใน Label Studio ได้อย่างไร? ใช้ Pre-annotations จาก Baseline Model เรียนรู้ Hotkeys และลดความซับซ้อนของ Label Schema ของคุณ เรียกใช้ Calibration Rounds เพื่อลด Rework และตั้งค่า Review Criteria เพื่อตรวจจับข้อผิดพลาดตั้งแต่เนิ่นๆ

Q5:ฉันสามารถเรียกใช้ Label Studio กับทีมได้หรือไม่? ได้ มอบหมายงานให้กับ Annotators เปิดใช้งานการตรวจสอบ และใช้ Consensus เพื่อวัดข้อตกลง จัดเก็บข้อมูลและคำอธิบายประกอบใน Backends ที่เชื่อถือได้ และทำให้การส่งออกเป็นอัตโนมัติด้วย Webhooks หรือ API