图像与视频数据集标注
导入图像或视频帧,利用自动检测、框选和点击分割生成标注,经人工校正后导出用于模型训练的数据集。
功能与用途
适合为自定义目标检测模型制作训练数据。输入图像或视频帧后,可先自动检测目标,再人工修正边界框、补充类别标签;也可点击目标生成分割掩码,或寻找跨帧相似目标,通过关键帧标注减少逐帧操作。完成后可导出包含图像、标注和类别信息的 COCO 数据集,供后续模型训练使用。使用前需要准备 Python 环境、待标注素材及类别清单,并具备安装依赖和运行脚本的基础。
适用场景
- 制作监控目标检测数据集:导入摄像头视频帧,自动检测人员等目标,人工修正边界框与类别后导出 COCO 数据集。
- 生成目标分割标注:在图像中点击待标注目标,使用 SAM2 生成分割掩码,供人工检查和调整。
- 减少视频逐帧标注:标注关键帧中的目标,利用 DINOv3 寻找跨帧相似对象,再检查跟踪与插值结果。
- 迭代训练数据:用改进后的检测模型预标注新素材,人工纠错后保存新一轮训练数据。
适用人群
- 计算机视觉算法工程师
- 训练自定义检测模型的开发者
- 视频数据标注人员
- 负责训练数据制作的科研人员
使用步骤
- 创建 Python 虚拟环境并安装项目依赖。
- 准备图像或视频帧,设置类别和保存目录。
- 选择框选、SAM2 分割或 DINOv3 跨帧标注。
- 运行预检测,人工检查并修正标注。
- 保存并导出 COCO 数据集,用于后续训练。
开始使用
将需求和 Skill 名称发送给已连接 SkillPX MCP 的 AI 助手,核对适用工具和安装要求。
技术信息
- 分类
- AI工作流
- 适用工具
- Codex、Claude Code、OpenClaw、Hermes Agent、国内 Agent
- 使用难度
- 进阶
- 版本
- master
- 最近更新
- 2026-11-03
- 文件数
- 4
- 安装包大小
- 自动生成 ZIP
- 安全检查
- 基础检查通过
AI-assisted dataset annotation with COCO export — bbox, SAM2, DINOv3 methods
使用前准备
- 准备 Python 环境,能够创建虚拟环境并安装 requirements.txt 中的依赖。
- 准备待标注图像或视频帧,明确目标类别及数据集保存目录。
- 需要配合文档所述的 Aegis 帧输入与事件交互流程使用。
- 使用模型辅助标注前,需确认对应模型及其运行依赖已就绪。
依赖与权限
- numpy>=1.24.0
- opencv-python-headless>=4.8.0
- Pillow>=10.0.0