在win上安装最新的X-anylabeling以及sam2来帮助进行全自动追踪标注

1.介绍

项目链接：https://github.com/CVHub520/X-AnyLabeling/tree/main
项目介绍：
X-AnyLabeling是一个功能强大的标注工具，集成了一个人工智能引擎，用于快速和自动标注。它是为多模态数据工程师设计的，为复杂任务提供工业级解决方案。

2.安装

2.1 目标及软硬件背景

• 目标
  我们这里需要标注的任务是Track Task，也就是追踪任务。这个任务要求对于连续的视频帧中的目标个体赋予ID身份编号。
• 系统：Win
• 硬件：NVIDIA独立显卡

官方提示：GPU Acceleration Limitations: Given the diversity of hardware and operating system environments, the current GPU inference acceleration service requires users to compile from source code as needed.
也就是说对GPU的支持不是很完善，很有可能导致GPU无法加速。所以接下来只介绍从源码安装的方式。

2.2 准备

第一步： 安装C++编译环境
首先要确保电脑安装了C++的编译库环境，在visual studio installer中选择安装【使用C++的桌面开发】确保选中了其中的【Windows sdk】和【mscv】
尽量不修改安装位置
安装完成后将MSCV工具的路径添加到系统变量中，默认路径应该是C:\Program Files (x86)\Microsoft Visual Studio\2022\Community\VC\Tools\MSVC\14.29.30133\bin\Hostx64\x64
然后在prompt中可以通过

where cl

检查是否可以找到上面的路径
第二步： 安装CUDA驱动以及nvcc
有些同学可能之前没有自己安装过CUDA驱动，一般出厂自带的电脑会缺失nvcc，因此需要重新安装一遍。

下载合适的版本和方式，然后按照指引默认安装，这个可以调整安装路径如果你的C盘空间不太够的话，但是要注意的是它在安装过程中有两个地方需要调整位置，注意只把盘符C改为D就可以。
安装完成后，输入下面命令检查

nvcc --version

应该会有返回值
第三步： 安装miniconda,创建conda 并激活虚拟环境
从官方网站https://www.anaconda.com/download/success下载并安装Miniconda（虚拟环境管理工具，用于隔离不同应用的运行环境，防止不同应用依赖不同的包导致的包版本冲突）

按照指示安装完后，打开prompt，出现如下的界面：

然后进行创建环境

conda create --name x-anylabeling-sam2 python=3.11 -y
conda activate x-anylabeling-sam2

第一行代码指的是创建了一个名字叫做x-anylabeling的python版本为3.10的虚拟环境，第二个表示激活并进入，进入后前面括号中的内容就会变为（x-anylabeling）

Tips:下面的步骤都应该在x-anylabeling-sam2环境下进行。

第四步： 安装Pytorch

注意到我们安装的CUDA驱动的版本是12.9，这决定了你安装Pytorch的版本上限，我们可以安装12.x的版本如下图

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126

安装完成后可以运行下面命令验证是否安装正确，返回值应该是True

python
import torch
torch.cuda.is_avaiable()

第五步： 最重要的一步编译sam2
这是最重要的一步，以上所有的准备步骤都是为了这步，否则即使你安装正确了，也会出现自动标注报错如下：

cannot import name '_C' from 'sam2' (/home/suw469/segment-anything-2/sam2/__init__.py) #131

接下来按照下面的步骤进行，
先来下载SAM2（用来实现自动标注的关键包），命令如下：

git clone https://github.com/CVHub520/segment-anything-2
cd segment-anything-2

然后编译

python setup.py buildext --inplace

注意看这步骤控制台的信息，确保没有error，编译成功，这个如果编译成功它会卡住比较久的时间，不用着急
编译完成就可以安装了

pip install -e .

2.3 安装X-anylabeling

下载x-anylabeling的源码，然后进入目录

cd ..
git clone https://github.com/CVHub520/X-AnyLabeling
cd X-AnyLabeling

安装onnx runtime,这个是用来运行onnx格式的模型的支持库：

pip install onnxruntime 
pip install onnxruntime-gpu --extra-index-url https://aiinfra.pkgs.visualstudio.com/PublicPackages/_packaging/onnxruntime-cuda-11/pypi/simple/

安装其他依赖

pip install -r requirements-gpu.txt

完成必要的步骤后，使用以下命令生成资源：

pyrcc5 -o anylabeling/resources/resources.py anylabeling/resources/resources.qrc

设置有关环境变量

set PYTHONPATH=C:\path\to\X-AnyLabeling（注意这里的路径要换成你的实际路径）

此外还有一点注意的是， if you require GPU acceleration, you should set the preferred_device field to ‘GPU’ in the app_info.py configuration file. 就是要修改配置文件app_info.py中的一个参数，将CPU改为GPU

3. 启动X-anylabeling

现在你只需要在你的X-AnyLabeling路径下运行下面的命令即可启动

python anylabeling/app.py

下次启动，只需要三句：

cd C:\path\to\X-AnyLabeling # 到文件目录
conda activate x-anylabeling-sam2 # 激活虚拟环境
python anylabeling/app.py # 启动

4.使用教程

可以参考这个链接，作者写的已经比较清楚了
https://github.com/CVHub520/X-AnyLabeling/blob/main/examples/interactive_video_object_segmentation/README.md

5.结束语

总的来说，在ubuntu下安装会方便很多。欢迎提问！