Ubuntu使用X-AnyLabeling进行姿态检测数据集的批量标注

因为看到都是目标检测批量标注的帖子，但是最近一直在做带关键点的数据集，所以记录使用X-AnyLabeling进行姿态检测数据集的批量标注。

参考教程：
视频：https://www.bilibili.com/video/BV12c46eUE4o/?spm_id_from=333.337.search-card.all.click&vd_source=7d778d43a7af5bca30ce6c124550edfd
文字教程：
http://bbs.laoleng.vip/thread-1238-1-1.html
可以看下视频教程。

一、项目下载及环境安装

参考了这个教程：
https://blog.youkuaiyun.com/qq_63512036/article/details/135514440

1.下载源码

【GitHub 源码地址】：GitHub - CVHub520/X-AnyLabeling

2.环境配置

新建anaconda环境：

conda create -n anylabeling python=3.10

anylabeling是环境名称，我的python版本是3.10.4，新建环境后，cd进入源码根目录：

cd /home/Pycharm/Projects/X-AnyLabeling-main

切换环境：

conda activate anylabeling

下载需要的环境：

pip install -r requirements.txt

如果遇到超时的，或者下载过于慢的，可以终止，使用清华源进行下载，例如：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple PyQtWebEngine==5.15.7

最终我的环境内容如下：

# Name                    Version                   Build  Channel
_libgcc_mutex             0.1                        main  
annotated-types           0.7.0                     <pip>
anyio                     4.11.0                    <pip>
attrs                     25.4.0                    <pip>
bzip2                     1.0.8                h7b6447c_0  
ca-certificates           2025.11.4            h06a4308_0  
certifi                   2025.11.12                <pip>
charset-normalizer        3.4.4                     <pip>
click                     8.3.1                     <pip>
coloredlogs               15.0.1                    <pip>
Cython                    3.2.1                     <pip>
distro                    1.9.0                     <pip>
exceptiongroup            1.3.0                     <pip>
filelock                  3.20.0                    <pip>
flatbuffers               25.9.23                   <pip>
fsspec                    2025.10.0                 <pip>
h11                       0.16.0                    <pip>
hf-xet                    1.2.0                     <pip>
httpcore                  1.0.9                     <pip>
httpx                     0.28.1                    <pip>
huggingface_hub           1.1.5                     <pip>
humanfriendly             10.0                      <pip>
idna                      3.11                      <pip>
importlib_metadata        8.7.0                     <pip>
jiter                     0.12.0                    <pip>
json_repair               0.54.1                    <pip>
jsonlines                 4.0.0                     <pip>
lapx                      0.5.5                     <pip>
ld_impl_linux-64          2.40                 h12ee557_0  
libffi                    3.3                  he6710b0_2  
libgcc-ng                 9.1.0                hdf63c60_0  
libstdcxx-ng              9.1.0                hdf63c60_0  
libuuid                   1.0.3                h7f8727e_2  
Markdown                  3.10                      <pip>
ml_dtypes                 0.5.4                     <pip>
mpmath                    1.3.0                     <pip>
natsort                   8.1.0                     <pip>
ncurses                   6.3                  h7f8727e_2  
numpy                     1.26.4                    <pip>
onnx                      1.19.1                    <pip>
onnxruntime               1.23.2                    <pip>
openai                    2.8.1                     <pip>
opencv-contrib-python-headless 4.11.0.86                 <pip>
openssl                   1.1.1w               h7f8727e_0  
packaging                 25.0                      <pip>
pillow                    12.0.0                    <pip>
pip                       25.3               pyhc872135_0  
protobuf                  6.33.1                    <pip>
psutil                    7.1.3                     <pip>
pyclipper                 1.3.0.post6               <pip>
pydantic                  2.12.4                    <pip>
pydantic_core             2.41.5                    <pip>
PyQt5                     5.15.7                    <pip>
PyQt5-Qt5                 5.15.18                   <pip>
PyQt5_sip                 12.17.1                   <pip>
PyQtWebEngine             5.15.7                    <pip>
PyQtWebEngine-Qt5         5.15.18                   <pip>
python                    3.10.4               h12debd9_0  
PyYAML                    6.0.3                     <pip>
qimage2ndarray            1.10.0                    <pip>
readline                  8.1.2                h7f8727e_1  
requests                  2.32.5                    <pip>
scipy                     1.15.3                    <pip>
setuptools                80.9.0                    <pip>
setuptools                80.9.0          py310h06a4308_0  
shapely                   2.1.2                     <pip>
shellingham               1.5.4                     <pip>
six                       1.17.0                    <pip>
sniffio                   1.3.1                     <pip>
sqlite                    3.38.5               hc218d9a_0  
sympy                     1.14.0                    <pip>
termcolor                 1.1.0                     <pip>
tk                        8.6.12               h1ccaba5_0  
tokenizers                0.22.1                    <pip>
tqdm                      4.67.1                    <pip>
typer-slim                0.20.0                    <pip>
typing-inspection         0.4.2                     <pip>
typing_extensions         4.15.0                    <pip>
tzdata                    2025b                h04d1e81_0  
urllib3                   2.5.0                     <pip>
wheel                     0.45.1          py310h06a4308_0  
wheel                     0.45.1                    <pip>
xz                        5.2.5                h7f8727e_1  
zipp                      3.23.0                    <pip>
zlib                      1.2.12               h7f8727e_2  

在项目控制台输入：

python anylabeling/app.py

弹出标注窗口。

二、模型准备

我使用的自定义的模型进行批量标注，所以先训练一个小模型，这里我手动标注了40张左右图像，使用初始权重yolov11n-pose进行训练，得到best.pt，这里需要将pt转换成onnx：

yolo export model=/home/YOLOV11/ultralytics/train3/weights/best.pt format=onnx

这里的model需要替换你自己的pt路径。

生成的onnx会自动保存在上述路径同级目录，在此文件夹下，新建一个yaml文件，名字随便：

内容如下：

type: yolo11_pose
name: yolo11s_pose-r20240930
provider: Ultralytics
display_name: test_pose
model_path: best.onnx
conf_threshold: 0.5
iou_threshold: 0.6
kpt_threshold: 0.25
has_visible: true
classes:
  bbox1:  # 目标框类别1
    - kpt1  # 目标框1的关键点名称
    - kpt2  # 目标框1的关键点名称
  bbox2: # 目标框类别2
    - kpt1  # 目标框2的关键点名称

前三行不动，display_name随便，model_path就是上面图片中的onnx路径（我是同级目录所以不写绝对路径），conf_threshold: 0.5、iou_threshold: 0.6、kpt_threshold: 0.25、has_visible: true是预测时候的参数，后续可以调整。

下面这个对应当时训练模型的目标框和关键点，需要自行修改：

classes:
  bbox1:  # 目标框类别1
    - kpt1  # 目标框1的关键点名称
    - kpt2  # 目标框1的关键点名称
  bbox2: # 目标框类别2
    - kpt1  # 目标框2的关键点名称

其他yaml文件可以在这里找到：https://github.com/CVHub520/X-AnyLabeling/blob/main/docs/zh_cn/model_zoo.md

三、批量标注

1.语言部分可以切换中文

2.打开图像

3.配置定义好的yaml

选择这个AI图标，然后在顶部点击绿色框的部分：

选择Custom–Load Custom Model，然后选择刚才写好的yaml，点确定 就好了。

顶部的运行按钮是单张运行检测，想要批量检测可以在刚才的AI小按钮上面 点击播放按钮：