江大白 | 多模态训推标注一体化平台 X-AnyLabeling 3.0 正式发布: Qwen3-VL、SAM3、远程推理全升级！等你来体验

本文来源公众号“江大白”，仅用于学术分享，侵权删，干货满满。

原文链接：https://mp.weixin.qq.com/s/hKy4oud3IECZTk1N3mMxmQ

一、开篇

在人工智能从实验室走向产业化的进程中，数据已与算法、算力并列，成为驱动模型进化与价值落地的核心燃料。很多情况下，决定模型上限的往往不是几行精妙的算法代码，而是那堆枯燥乏味的训练数据。数据清洗和标注，大概是 AI 落地中最没有技术快感，却又最关键的环节。

为了搞定数据，我们尝试过各种工具，但说实话，市面上的现成方案，总让人觉得“差点意思”。我们发现，自己似乎总是被困在以下三种并不理想的选择里，难以找到一个在自由度、效率、功能深度和技术栈友好度上取得平衡的完美方案。

• • 第一类是各类商业标注平台，其最大的核心资产是其强大的闭源模型。但问题也很明显：封闭。撇开费用不谈，作为开发者，我们最无法忍受的是那种“被卡脖子”的感觉。另一方面，数据不可避免的要上传云端，模型微调也只能用平台预置的黑盒。特别地，当我们有一些更复杂的业务需求时，你会发现这些平台根本插不进去手。

• • 第二类是以 Labelme、LabelImg 为代表的传统开源工具。它们虽然免费且上手简单，但功能相对单一，只能应对常规化标注任务。当面对更复杂的综合性项目时，这类工具往往显得力不从心，用户不得不频繁切换不同软件来完成特定任务，导致学习成本高、时间消耗大且管理混乱。与此同时，这些工具普遍缺乏对AI能力的深度集成，标注效率偏低，交互组件也较为简陋，难以支撑多样化、结构化的数据采集需求。更为关键的是，它们大多仍是单机离线工具，完全无法充分利用现有服务器的算力。

• • 第三类是以 CVAT、Label-Studio 为代表的 Web 平台。这些半开源平台功能丰富、生态完善，但由于依赖 Web 架构，整体显得较为臃肿，部署与维护成本高昂。此外，对于多数用户而言，若想在此类平台上添加自定义功能组件、集成新模型或优化标注流程管道，往往需要深入理解其复杂的前后端体系，技术门槛极高，开发周期漫长。如此投入与产出不成正比，反而让用户将大量精力消耗在环境配置与系统调试上，得不偿失。

因此，X-AnyLabeling 自诞生之初便致力于打造这样一款应用：面向个人与中小团队，真正做到简单易用、高效灵活；以多模态 AI 为核心驱动力，具备高内聚、低耦合的架构；融合丰富且可管理的 UI 组件；在纯 Python 生态下实现训练、推理与标注的一体化流程，并支持高度定制化扩展。通过集成 AI 推理引擎与多项智能能力，平台专注真实应用场景，为工业界与学术界的数据与算法工程师提供高效、灵活的一站式标注解决方案。

正是在这样的理念指引下，我们迎来了 3.0 版本的重磅升级。今天我们非常高兴向大家介绍这一版本中最核心、最值得期待的更新内容。

另外，值得欣慰的是，尽管几乎没有进行任何宣传推广，X-AnyLabeling[1] 依托口碑与社区力量快速成长。截至 2025.12.01，官方 GitHub stars 已突破 7.2k+，全网累计下载量超过百万次，Fork 分支数接近 800，并长期保持良好的社区活跃度。

https://www.youtube.com/watch?v=2Cx0S8S80Wo

目前，该项目已被广泛应用于自动驾驶感知、具身智能、医疗影像分割、遥感图像解译、工业质检、文档结构化（如表格/票据/证件识别）、零售场景理解、农业病虫害检测等多个通用与垂直领域。与此同时，国内外多所高校与海内外研究机构也陆续将其用于构建高质量标注数据集或教学演示平台，越来越多的学术论文基于该平台开展实验研究，进一步印证了 X-AnyLabeling 在科研与教育领域的实用价值与影响力。

二、全面升级：一站式 AI 标注平台的全栈进化

在本次 3.0 版本的更新中，我们正式发布了首个官方 PyPI 包：x-anylabeling-cvhub[2]，用户可通过 pip 一键安装，彻底告别繁琐的环境配置流程。全新的 CLI 命令行工具支持几十种标签格式的离线互转，极大提升了数据预处理的灵活性与效率。与此同时，平台同步推出了远程推理服务框架 X-AnyLabeling-Server[3]，实现算力集中化管理与多人协作标注；并深度集成 Ultralytics[4] 框架，支持一键模型训练，首期覆盖分类、检测、分割、旋转目标检测、姿态估计五大核心视觉任务，真正构建起“从标注到训练”的完整闭环。

在智能化功能方面，X-AnyLabeling 引入了全新的 Chatbot 聊天机器人，支持单轮与多轮对话的批量多线程并发推理调度，并可一键导出 ShareGPT 格式以适配 LLaMA-Factory[5] 等任务调用，训练框架。同时，全新 VQA（视觉问答）标注面板正式上线，支持多样化结构化标注样式、提示模板库管理与 AI 智能字段填充，可一键生成适用于强化学习后训练的高质量样本数据。新版图像分类器在界面设计上更加简洁清晰，快捷键操作流畅自然，并新增多模态大模型一键预标注能力，使标注效率相较传统手工方式实现数倍提升。

此外，本轮更新在模型生态上也实现了大幅扩容，新增Qwen3-VL[6]、SAM3[7] 、PP-OCRv5[8]、RF-DETR[9] 等前沿多模态大模型、视觉基础模型以及端侧 SOTA 模型，全面覆盖 13 大视觉任务类别，100+ 余款预训练模型开箱即用。

在 UI 与交互体验层面，则新增 Photoshop 风格导航器、数字快捷键管理器、群组编号管理器、对象管理器等 20 余项创新特性，让标注体验更加流畅高效，真正实现了“智能、灵活、高效”的新一代标注工作流。

新版本的正式发布标志着项目进入一个新的发展阶段。这是一个开源、免费且可完全私有化部署的标注平台，支持远程推理服务与多人协作，便于在受控环境中保证数据安全与隐私。平台广泛兼容并集成多种全任务、多领域、跨场景的 AI 模型，配套极其丰富的 UI 组件，以及一站式的标签管理与训练流水线，能够覆盖从数据采集到模型训练的完整闭环。

基于纯 Python 生态，X-AnyLabeling 天然贴合一线算法工程师与数据开发者的工作流，自定义与扩展成本低、模型接入快捷；同时支持跨平台运行（Windows/Mac/Linux），兼容主流推理引擎（如 PyTorch、ONNX Runtime、TensorRT 等）与常见对接 API（如 ChatGPT、Gemini、DINO-X 等），为用户提供高度自由度，最大化私有与云端模型在性能与标注流程体验上的释放，尤其适合工业界与学术界的中小团队以及个人用户。

2.1 官方PyPI包：安装部署更便捷

长期以来，X-AnyLabeling 用户需要从 GitHub 克隆源码并手动配置环境，对不熟悉 Python 生态的用户来说存在一定门槛。X-AnyLabeling 3.0 版本正式发布官方 PyPI 包，标志着项目从实验性工具走向标准化分发，用户现在可以像安装其他 Python库一样轻松获取。

安装过程极其简单，用户只需在命令行执行：

pip install x-anylabeling-cvhub

即可完成安装。新版本中无法用户再手动管理设备，针对不同的运行环境，我们提供了三种便捷安装选项：CPU 版本适用于没有 GPU 的环境，CUDA 12.x 是 GPU 版本的默认选项，而 CUDA 11.x 则为使用老版本驱动的用户提供了兼容性支持。这种灵活的安装方式，让用户可以根据自己的硬件条件选择最合适的版本。平台完整支持 Python 3.10+ 版本，并提供 Windows、Linux、macOS 三大操作系统的跨平台兼容性，无论是本地开发环境还是服务器部署，都能无缝运行。

对于开发者来说，PyPI 包同样友好。使用 pip install -e . 命令可以进行 editable 模式安装，这意味着开发者修改源码后无需重新安装即可生效，大大方便了二次开发和调试工作。如果需要进行打包编译或构建自定义版本，可以安装 dev 依赖，获取完整的开发工具链支持。

此次更新中最实用的功能之一是全新的 CLI 命令行工具链。只需执行 xanylabeling convert 命令即可查看所有支持的标签格式转换任务，目前已支持超过30种格式的双向转换，涵盖 YOLO、COCO、VOC、DOTA、MOT、MASK、PPOCR 等主流标注规范。这对于需要在不同训练框架间迁移数据的用户来说是一大福音。更重要的是，这些转换操作完全离线进行，无需启动 GUI 界面，可以轻松集成到自动化数据处理 Pipeline 中，大幅提升了批量数据预处理的效率。

配置管理方面也更加透明。用户可通过 xanylabeling config 命令快速定位配置文件路径，便于排查问题或调整参数。xanylabeling checks 命令则能显示系统及版本信息，帮助用户验证安装是否成功。

2.2 远程推理服务框架：算力共享的架构革新

在传统的本地推理模式中，每台标注终端都必须独立配置 GPU 和推理环境，这不仅导致高昂的硬件投入，也增加了日常管理与维护的复杂度。对于许多中小型团队来说，为每位标注人员配备高性能 GPU 工作站更是难以实现。相比之下，远程服务器通常具备更强大的算力基础，能够更高效地承担推理任务。

X-AnyLabeling 3.0 版本推出的 X-AnyLabeling-Server 远程推理服务框架，从根源上解决了传统模式下的算力管理和模型部署等痛点，有效补齐了 X-AnyLabeling 生态在分布式协作与智能标注场景中的关键能力短板，进一步提升了整体平台的可用性与扩展性。

这是一个基于 FastAPI[10] 构建的轻量级高性能推理服务端，采用异步并发架构，能够同时处理多个客户端的推理请求。服务端统一部署在配备 GPU 的服务器上，标注人员通过 X-AnyLabeling 客户端连接即可使用强大的AI推理能力，无需在本地安装任何模型或配置推理环境。

技术架构方面，X-AnyLabeling-Server 提供了统一的 REST API 接口设计，服务端仅需通过 创建 → 注册 → 配置 → 启用 四步即可完成自定义模型部署；客户端只需在配置文件（remote_server.yaml）中设置相关接口参数即可接入。

服务端支持 API Key 认证机制、速率限制、CORS 配置及完整日志系统，确保推理资源安全可控，防止滥用。项目采用模块化的 Task 路由系统，每个视觉任务对应独立的推理模块，用户可根据实际需求轻松扩展新的推理任务类型。

此外，系统内置了多个模板，开箱即用，可实现零门槛启动与快速部署，显著降低模型加载与环境配置的复杂度。理论上，用户可无缝集成任意模型——无论是基于 Transformers[11] 或 ModelScope[12] 生态，还是通过 Huggingface TGI[13]、Ollama[14]、vLLM[15]、SGLang[16] 等框架进行部署，亦或采用 PyTorch[17]、ONNX Runtime[18]、TensorRT[19] 等推理引擎，都能灵活适配与高效运行。

简而言之，这是一个与客户端高度解耦的最小化核心框架，专注于推理服务的稳定与高效。有资源与需求的用户可在此基础上扩展用户管理、数据管理、任务管理等企业级功能模块，从而构建更完善的协作与生产体系。

2.3 一键训练平台（Ultralytics）

一键训练平台基于 Ultralytics 框架深度集成，使模型训练过程如同使用标注工具般直观与高效。用户在完成标注后，无需编写任何训练代码，只需在 GUI 界面中配置数据路径、模型参数及训练轮数等基础选项，点击“开始”即可发起训练任务。平台目前支持五大核心视觉任务：图像分类、目标检测、实例分割、旋转框检测与姿态估计。

在训练前，系统提供直观的数据统计与参数配置面板，帮助用户快速掌握数据分布与模型设置；训练过程中，实时日志滚动显示，便于随时监控进度与性能指标。训练完成后，模型可一键导出为 ONNX 等多种推理引擎格式，并直接加载回 X-AnyLabeling 进行推理闭环。

这种从标注到训练的无缝衔接，实现了真正意义上的“训推标一体化”，让算法工程师能够快速迭代模型、验证数据质量，大幅提升研发与生产效率。

详情可参考：https://github.com/CVHub520/X-AnyLabeling/blob/main/examples/training/ultralytics/README.md

2.4 聊天机器人（Chatbot）

Chatbot 的引入为多模态图文数据集的构建开辟了新路径。平台原生支持接入多家主流大语言模型（LLM）提供商，包括 OpenAI、Anthropic Claude、Google Gemini、DeepSeek、阿里云百炼、OpenRouter 以及本地 Ollama 服务。用户可基于成本、性能与隐私等因素灵活选择；同时，借助自定义提供商（Custom）功能，任何兼容 OpenAI API 规范的服务均可无缝集成，最大化部署与使用的灵活性。

在功能层面，Chatbot 既支持单轮对话，也能处理复杂的多轮交互。用户可导入整套图像目录并设定统一提示词，系统将自动批量处理，为每张图像生成对应的对话内容；处理完成后，可一键导出为 ShareGPT 格式，直接用于 LLaMA-Factory 等主流大模型微调框架，显著简化多模态训练语料的制备流程。界面提供特殊标记“@image”，可将当前图像嵌入对话上下文，实现真实的图文融合与对齐，使模型能够基于图像内容生成更精准的描述与回答。

详情可参考：https://github.com/CVHub520/X-AnyLabeling/blob/main/docs/en/chatbot.md

2.5 多模态视觉问答（VQA）

传统标注工具多聚焦于图像与标注框，难以满足复杂的多模态问答数据集的构建需求。VQA 视觉问答标注面板专注于结构化数据采集，并提供四类可组合的标注组件，包括文本输入框（开放式问答）、单选按钮组（互斥选择）、复选框组（多属性标记）和下拉菜单选项（容纳大量选项且节省界面空间）；用户可依据具体任务自由编排组件，构建契合项目规范的标注表单。

该工具的核心优势在于智能提示系统。通过 @widget 可引用其他组件内容；@label.shapes 用于获取当前图像的全部标注对象；@label.imagePath 和 @label.imageHeight 等提供元数据访问能力。上述跨组件引用机制支持构建复杂逻辑，实现高度结构化的数据采集。

系统同时提供提示模板库，预置常用模板，并支持新增、编辑、删除自定义提示；悬停可快速预览，双击即可修改；模板可跨项目复用，显著提升标注效率。集成的 AI 智能填充功能进一步提升生产效率。针对文本输入框，用户可配置 AI 助手，系统调用多模态大模型自动生成答案，标注人员仅需审核与微调，相较手工输入效率提升数倍。

完成标注后，工具支持导出为 JSONL 格式，可直接用于多模态强化学习后训练等前沿研究。

详情可参考：https://github.com/CVHub520/X-AnyLabeling/blob/main/docs/en/vqa.md

2.6 图像分类器

图像分类器以高效标注为核心目标进行全新设计。界面采用独立对话框，左侧为图像预览，右侧为标注控制，布局简洁清晰。工具支持单标签互斥（MultiClass）与多标签（MultiLabel）两种模式：前者适用于每张图像仅归属一类的任务，如物种识别；后者允许同一图像具备多个属性，适用于通用图像标签标注。两种模式可按需切换，以适配不同项目需求。

在交互层面，图像分类器强化了键盘操作：A/D 用于切换上一张/下一张图像，Ctrl+A/Ctrl+D 跳转至上一张/下一张未标注样本；数字键可直接选定对应类别，并以高亮呈现当前状态，显著缩短单样本操作时间，提升批量标注吞吐。

AI 自动分类支持单张与批量两种策略。推荐工作流为：先人工标注少量种子样本，随后调用多模态模型对剩余样本批量推断，最终进行人工复核，在保证质量的前提下显著提升效率。右侧面板实时呈现数据统计（标签分布、完成度等），便于进度监管与数据均衡性审查。按类别导出功能可将已分类图像自动归档至对应目录，便于后续数据集整理与模型训练。

详情可参考：https://github.com/CVHub520/X-AnyLabeling/blob/main/docs/en/image_classifier.md

三、全栈生态：构建“感知-理解-生成-交互”一体化的技术闭环

X-AnyLabeling 3.0 版本在模型生态建设方面同样取得突破性进展，目前已适配上百款预训练模型，覆盖13大视觉任务，构建起全模型，多模态，跨领域的完整AI能力矩阵。

任务类别	支持模型
🖼️ 图像分类	YOLOv5-Cls, YOLOv8-Cls, YOLO11-Cls, InternImage, PULC
🎯 目标检测	YOLOv5/6/7/8/9/10, YOLO11/12, YOLOX, YOLO-NAS, D-FINE, DAMO-YOLO, Gold_YOLO, RT-DETR, RF-DETR, DEIMv2
🖌️ 实例分割	YOLOv5-Seg, YOLOv8-Seg, YOLO11-Seg, Hyper-YOLO-Seg, RF-DETR-Seg
🏃 姿态估计	YOLOv8-Pose, YOLO11-Pose, DWPose, RTMO
👣 目标跟踪	Bot-SORT, ByteTrack
🔄 旋转目标检测	YOLOv5-Obb, YOLOv8-Obb, YOLO11-Obb
📏 深度估计	Depth Anything 1/2
🧩 分割一切	SAM 1/2/3, SAM-HQ, SAM-Med2D, EdgeSAM, EfficientViT-SAM, MobileSAM
✂️ 图像抠图	RMBG 1.4/2.0
💡 候选框提取	UPN
🏷️ 图像标记	RAM, RAM++
📄 光学字符识别	PP-OCRv4, PPOCR-v5
🗣️ 视觉基础模型	Florence2, DINOv2/3
👁️ 视觉语言模型	Qwen3-VL, ChatGLM, Gemini, ChatGPT
🛣️ 车道线检测	CLRNet
📍 Grounding	CountGD, GeCO, Grounding DINO, YOLO-World, YOLOE

本平台构建了一个覆盖主流以视觉为核心的全栈式多模态智能感知体系，支持从基础感知到高阶理解的十余类关键能力：

在基础感知层，平台提供业界最完整的经典任务支持：包括高精度图像分类、多尺度目标检测、像素级实例分割、人体及关键点姿态估计，以及视频序列中的鲁棒多目标跟踪。所有任务均覆盖从轻量化边缘部署到高性能云端推理的全谱系模型选型，用户可根据延迟、功耗与精度需求灵活配置。

面向结构化视觉理解，平台深度集成多项专用能力：旋转目标检测专为遥感、自动驾驶等倾斜场景优化；车道线检测可应对复杂光照与遮挡条件下的道路结构感知；深度估计实现单目图像的稠密几何重建；候选框提取为下游任务提供高质量区域建议；而图像抠图与通用分割（Segment Anything）则分别服务于精细前景分离与任意对象分割需求，后者更延伸出面向医疗影像的领域定制版本，在器官与病灶分割中表现卓越。

此外，在文档与语义智能方向，平台依托百度飞桨的 PPOCR 系列模型内置新一代 OCR 引擎，显著提升中文、多语言及复杂版式文档的识别鲁棒性；同时通过 Oppo AI 研究院提供的 RAM 图像标记模型自动生成丰富语义标签，为内容检索与元数据构建提供支撑。

尤为关键的是，平台前瞻性布局开放世界视觉智能。依托视觉语言模型（VLMs）与视觉基础模型（VFMs），系统突破传统封闭类别限制，支持基于自然语言描述的开放词汇检测（Grounding）、零样本计数、跨模态推理与细粒度图文对齐。用户可通过文本提示、视觉示例或无提示模式，灵活触发对未知类别的定位、分割与语义解析，真正实现“所想即所见”。

所有上述能力均经过统一工程抽象与性能优化，屏蔽底层框架差异。用户无需编写代码，仅通过图形界面即可按任务类型一键调用对应模型，也支持多任务的串并联执行；同时，平台开放标准化接入接口，支持用户将私有模型以通用格式快速集成至任一任务管线，实现从通用能力到垂直场景的无缝延伸。

3.1 Segment Anything

SAM 3 是由 Meta AI 所提出的一个统一基础模型，用于图像和视频中的提示分割。它可以通过文本或视觉提示（如点、方框和遮罩）来检测、分割和跟踪物体。与其前作 SAM 2 相比，SAM 3 引入了对所有由短语或示例指定的开放词汇概念实例进行全面分割的能力。

现在，只需要升级到最新版本，你便可以在 X-AnyLabeling 上无缝体验其强大的可提示概念分割能力！

使用手册：https://github.com/CVHub520/X-AnyLabeling/blob/main/examples/grounding/sam3/README.md

3.2 RF-DETR

RF-DETR 是首个在 Microsoft COCO 目标检测基准测试中 AP 值超过 60 的实时模型，并且在基础模型规模下也保持了极具竞争力的性能。与当前其他实时目标检测模型相比，RF-DETR 在同等规模下速度最快、精度最高。尤其是在图像分割方面，RF-DETR Seg 在上述分割基准测试中评估时，速度比最大的 YOLO 快 3 倍，准确度也更高，为分割模型评估的行业标准基准测试定义了新的实时最先进水平。

3.3 PP-OCR v5

PP-OCRv5 是百度飞桨推出的新一代文字识别解决方案，该方案聚焦于多场景、多文字类型的文字识别。在文字类型方面，PP-OCRv5支持简体中文、中文拼音、繁体中文、英文、日文5大主流文字类型，在场景方面，PP-OCRv5升级了中英复杂手写体、竖排文本、生僻字等多种挑战性场景的识别能力。在内部多场景复杂评估集上，PP-OCRv5较PP-OCRv4端到端提升13个百分点。

当前，X-AnyLabeling 平台支持以下三大类 OCR 任务：

• • 文本识别（Text Recognition）

• • 关键信息提取（KIE），包括语义实体识别（SER）与关系提取（RE）

• • 文档布局分析（Document Layout Analysis），用于识别文档中的文本块、图像、表格等结构元素。

在本次 3.0 版本中，平台新增了 PP-OCRv5 模型支持，并进一步强化了重识别能力。用户可在界面中手动绘制文本框，跳过检测步骤，仅对选定区域执行识别，且在跳过检测时仍可保留原始对象属性，以满足复杂文档场景下的灵活标注需求。同时，PP-OCR 的重识别功能还支持对部分已检测的文本框进行单独识别更新，无需重新运行整个检测流程，显著提升局部修正效率。系统会完整保留原有形状属性，仅更新文本识别结果，从而确保标注信息的准确性与一致性。

---

最后，针对更高效、智能、通用的数据处理需求，我们强烈推荐两种进阶方案：一是基于 Qwen3-VL、Gemini 3 Pro 等新一代多模态大语言模型进行大规模图文数据的自动化预标注，显著降低人工标注成本；二是通过 Agent 架构灵活驱动底层模型，构建可定制、可迭代的通用数据处理流水线。

更多模型请参考：https://github.com/CVHub520/X-AnyLabeling/blob/main/docs/zh_cn/model_zoo.md

四、全新特性：从细节处提升标注体验

X-AnyLabeling 3.0 在交互体验和辅助能力上进行了全方位升级，相比上一版本新增了数十项大小功能，每一处改进都源自对一线用户实际工作流程的深刻洞察。

4.1 导航器

首先是 Photoshop 风格导航器的引入，彻底解决了高分辨率图像标注的痛点。当处理遥感影像、病理切片、超大尺寸设计图等动辄上万像素的图像时，用户既需要放大查看细节进行精确标注，又要保持对全局的把控避免遗漏目标。

导航器在独立窗口中会显示当前图像的缩略图，用红色框实时标识当前可视区域，标注的所有对象也会在缩略图上同步显示。用户可以直接点击缩略图快速跳转到指定区域，或者拖拽红色框来移动视野，整个操作过程流畅自然。

导航器底部提供缩放比例输入框和滑动条，支持1%到1000%的精确控制，无论是在主画布还是导航器窗口内，都可以使用鼠标滚轮进行缩放。这种全局视野与局部精度兼得的设计，让大图标注工作效率倍增。

4.2 数字快捷键

数字快捷键管理器为键盘数字键提供了自定义配置能力。用户可以为每个数字键指定绘制模式（矩形、多边形、旋转框、圆形、线段、点、折线）和默认标签名称。配置完成后，在标注过程中直接按下对应数字键，系统会自动切换到预设的绘制模式并填充标签名称，绘制完成后立即应用。这对于需要频繁在多个类别间切换的标注任务来说，效率提升极为显著。

4.3 群组编号管理器

群组编号管理器解决了批量调整群组 ID 的需求，这在姿态估计、多目标跟踪等任务中尤为关键。用户只需指定起止帧范围和目标群组编号，系统便会批量更新该范围内所有匹配对象的群组 ID。同时，它还支持自动继承上一帧的群组编号，使连续标注同一目标的流程更高效、更省力。

4.4 对象管理器

对象管理器是视频标注场景中的得力助手，提供四种高效的批量操作模式：删除所有标注可移除指定帧范围内的所有标注文件；删除所有图像及标注会同时清理图像与对应标注；移除选定形状可在帧范围内查找并删除与当前选中形状匹配的对象；添加选定形状则将当前选中形状批量复制到目标帧范围。

此外，系统会自动检测图像边界、跳过越界形状，并避免重复添加已存在的对象，操作完成后还会自动刷新文件列表和勾选状态。这些功能显著减少了视频标注过程中的重复性劳动。

4.5 标签管理器

标签管理器为标签提供了全局管理能力。除了删除、重命名、调整颜色等基础操作外，本次更新还新增了可见性控制功能。用户可通过复选框自由控制某些标签在画布中的显示或隐藏，并可在标签列头右键快速完成全选或反选。

在处理类别众多的复杂数据集时，这一能力尤为实用：用户可以暂时隐藏不相关的类别，专注于当前目标，避免画布信息过载和视图混乱。

4.6 其它

本次更新还带来了多项极其实用的细节能力：

• • 坐标复制：复制坐标到剪贴板功能让用户能够快速提取标注数据用于分析或脚本处理；

• • 对象缩放：开启鼠标滚轮编辑矩形后，用户无需依赖顶点拖拽即可完成更高效的框体调整，同时在矩形内部滚轮可缩放尺寸，在外部则能精确移动对应边缘。

• • 顶点删除：绘制多边形时，按下 Backspace 即可删除最后一个顶点，使绘制过程更加灵活、可控。

• • 异常检测；为解决不少用户遇到的手机图像方向错误问题，系统新增了自动 EXIF 方向处理功能。平台会自动识别并应用 EXIF 中的方向信息，将图像旋转至正确朝向，并将原始文件安全备份至指定目录，避免数据损坏。

• • 精度调节：在分割任务中，新增的掩码精细度控制滑块允许用户实时调节分割的边界精度。对于边界清晰的对象，用户可选择较低精细度以提升标注效率；对于轮廓复杂的目标，则可提高精细度以获得更准确的结果，从而在速度与精度之间实现灵活权衡。

• • 模型下载: 考虑到国区很多小伙伴面对 GitHub 访问不稳定的情况，我们建立了 X-AnyLabeling ModelScope[20]，为国内用户提供了更稳定、高速的模型下载渠道，同时平台会自动检测语言环境，并为中文用户默认切换至 ModelScope 下载模型，确保流畅的使用体验。

• • 文档完善：为了进一步降低大家的学习成本，官方配套了非常详细的中英文文档，并针对不同任务提供丰富的实战案例，让不同背景的用户都能轻松上手。

更多新特性请参考：https://github.com/CVHub520/X-AnyLabeling/tree/main/docs

五、结语

自开源以来，X-AnyLabeling 始终秉承合作开放的理念：这不仅是一种技术选择，更是对知识共享与社区协作精神的践行。

在学术界，X-AnyLabeling 已成为众多研究团队的首选标注平台——从论文致谢到社交媒体推荐，广泛的引用与口碑证明了其在科研工作中的价值。许多学者反馈，借助 X-AnyLabeling，他们能够将更多精力投入算法创新而非繁杂的数据准备，显著加速研究进程；不少高校也将其纳入课程实践，作为计算机视觉教学的实操工具。

在工业界，从创业公司到中小企业，X-AnyLabeling 被广泛应用于多类实际项目：自动驾驶用于路况与目标标注，零售用于商品图像处理，航空与农业用于遥感与检测分析，金融用于文档与票据识别，医疗用于影像标注，安防用于人车检测与行为分析等。这些多样化的落地场景验证了平台作为通用标注解决方案的设计初衷——同时，开源架构让企业能够灵活定制并深度集成至内部流程，这一点是闭源商业工具难以比拟的。

X-AnyLabeling 对 AI 数据工程的推动是多维的：在工具层面，它打通了标注、训练与部署的工具链，让数据科学家在统一平台上完成从原始数据到生产模型的全流程；在成本层面，开源与远程推理架构大幅降低了高质量训练数据的制作门槛，使小团队和个人开发者也能享受工业级能力；在效率层面，智能助手与自动化功能加速了多模态大模型的数据迭代；在生态层面，低代码接口与活跃社区促进了研究成果向实用工具的快速转化，形成良性循环。

面向未来，X-AnyLabeling 下一阶段的核心目标是围绕 Agentic RL Annotation 构建全新的标注范式：基于强化学习的智能体将不再被动执行指令，而能主动理解任务目标与约束，通过多轮交互优化标注策略——用户仅需提供少量示例与质量反馈，AI Agent 即可学习标注规范、自动处理大批量数据，并在不确定时向用户请求指导。该人机协作模式有望把标注效率提升一个数量级，实现从“辅助标注”向“智能标注”的跨越。

X-AnyLabeling 3.0 的发布标志着项目迈入新阶段，但这只是起点。数据是 AI 的基石，标注是数据的根基；我们相信，凭借持续的技术创新与社区协作，X-AnyLabeling 能让 AI 数据工程变得更简单、更高效、更智能。感谢每一位用户与贡献者——正是你们的信任与付出，赋予了开源持续前进的动力。让我们携手见证智能标注的未来。

最后，如果你也有想要集成到 X-AnyLabeling 的模型或功能，或对计算机视觉、多模态大语言模型、强化学习等前沿技术感兴趣，亦或在使用 X-AnyLabeling 过程中有任何疑问、合作与交流需求，都欢迎添加微信 ww10874 一起讨论学习！同时也诚挚邀请你加入 X-AnyLabeling 官方交流群。

引用链接

[1] X-AnyLabeling: https://github.com/CVHub520/X-AnyLabeling
[2] x-anylabeling-cvhub: https://pypi.org/project/x-anylabeling-cvhub/
[3] X-AnyLabeling-Server: https://github.com/CVHub520/X-AnyLabeling-Server
[4] Ultralytics: https://github.com/ultralytics/ultralytics
[5] LLaMA-Factory: https://github.com/hiyouga/LLaMA-Factory
[6] Qwen3-VL: https://github.com/QwenLM/Qwen3-VL
[7] SAM3: https://github.com/CVHub520/X-AnyLabeling/blob/main/examples/grounding/sam3/README.md
[8] PP-OCRv5: https://github.com/PaddlePaddle/PaddleOCR
[9] RF-DETR: https://github.com/roboflow/rf-detr
[10] FastAPI: https://fastapi.tiangolo.com/
[11] Transformers: https://huggingface.co/models
[12] ModelScope: https://modelscope.cn/models
[13] Huggingface TGI: https://github.com/huggingface/text-generation-inference
[14] Ollama: https://ollama.com/library
[15] vLLM: https://github.com/vllm-project/vllm
[16] SGLang: https://github.com/sgl-project/sglang
[17] PyTorch: https://pytorch.org/
[18] ONNX Runtime: https://onnxruntime.ai/
[19] TensorRT: https://developer.nvidia.com/tensorrt
[20] X-AnyLabeling ModelScope: https://www.modelscope.cn/collections/X-AnyLabeling-7b0e1798bcda43

THE END !

文章结束，感谢阅读。您的点赞，收藏，评论是我继续更新的动力。大家有推荐的公众号可以评论区留言，共同学习，一起进步。