1.命令行安装

1
2
3

pip install label-studio

label-studio start

2.docker 安装

1
2

# Run latest Docker version
docker run -itd -p 10003:8080 -v /home/data/label-studio:/label-studio/data heartexlabs/label-studio:latest

3.使用

首先需要注册一个账号，注册完成之后，就可以进入创建项目了。

• 打开部署页面，然后找到，创建项目 -> 导入数据 -> 标签设置，设置完成之后保存，然后进行图片标注。这里选择矩形框的标注，然后可以增加相应的类别。

  

• 图片标注就是画框，然后选择分类，最后就提交。标注的时候，先选择下面的类别，然后在图上画一个框，修改框的时候，也是选中类别，然后调整框的大小。

• 保存完成之后，可以导出不同格式的数据。

  

4.自动标注

label studio还提供了一个集成自动标注的功能，实现该功能需要 label-studio-ml-backend 功能，我主要的修改是通过代码库 得到的。当然如果你直接使用这个代码仓库，那么可能更加的简单，不需要在修改 Dockerfile,不需要修改 model.py 和_wsgi.py等文件了，只需要把自定义的 best.pt 放到 data/server/models 目录下就行了。

（1）下载源码
从github上下载相关的源码，然后。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

# 创建虚拟环境
conda create --name label-studio python=3.9
conda activate label-studio

# 删除
conda deactivate label-studio
conda remove --name label-studio --all

# 下载源码
git clone https://github.com/HumanSignal/label-studio-ml-backend.git
cd label-studio-ml-backend/
pip install -e .

# 设置清华源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
pip config set global.index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple

（2）创建项目

1

label-studio-ml create ml_backend

创建一个空的目录结构，其中 model.py 为主要的代码，其中就有 predict 和 fit 方法，通过修改这两个方法，就可以完成模型的预测和训练。
my_ml_backend/
├── Dockerfile
├── .dockerignore
├── docker-compose.yml
├── model.py
├── _wsgi.py
├── README.md
├── requirements-base.txt
├── requirements-test.txt
├── requirements.txt
└── test_api.py

接下来可以这么做,直接使用 label-studio-ml start 命令启动，或者是使用 docker 命令启动。

1
2
3
4
5
6
7
8
9
10
11

（1）.Try it out by running:
label-studio-ml start ./ml_backend
You should be able to connect to it in Label Studio project Settings > Machine Learning > Add Model and provide with the following URL: http://localhost:9090

（2）.Go to ./ml_backend/model.py and modify it as you wish:
- predict() - define your prediction logic here
- fit() - define your training logic here (optional)

（3）.Deploy your model with docker:
cd ./ml_backend
docker-compose up

（3）修改 requirements.txt
修改 requirements.txt，增加 ultralytics

1

ultralytics

（4）修改 _wsgi.py
修改 _wsgi.py 文件，根据参考资料里面的代码，将 _wsgi.py 代码修改了。

（5）将自定义的 best.pt 模型，放到 /usr/local/label-studio/label-studio-ml-backend/ml_backend/data/server/models 目录下。

（6）修改Dockerfile文件,增加了 libgl1，和 libglib2.0-0

1
2
3

RUN apt-get update && apt-get install -y --no-install-recommends \
        libgl1 \
        libglib2.0-0 \

（4）修改 model.py 文件
实现预测逻辑，在 model.py 中，通过实现 predict 函数，来自定义自己的预测逻辑。

1
2
3

def predict(self, tasks, context, **kwargs):
    """Make predictions for the tasks."""
    return predictions

实现训练逻辑，在 model.py 中，通过实现 fit 函数，来自定义自己的训练逻辑。

1
2
3
4
5

def fit(self, event, data, **kwargs):
    """Train the model on the labeled data."""
    old_model = self.get('old_model')
    # write your logic to update the model
    self.set('new_model', new_model)

修改上面的两个函数，最后形成了model.py文件

（5）启动项目
修改了代码之后，可以启动整个项目了。

1
2
3
4
5
6

# 启动
docker compose up --build
# 后台启动并运行所有容器
docker compose up -d
# 停止
docker compose down

（6）label-studio 连接自定义模型
找到 项目设置 -> Machine Learning，进行配置。

（7）自动标注
选中你要自动标注的图片, 找到任务下拉列表，点击 Retrieve Predictions，预标注这一列会由0 变为 1，检查是否需要手动修改。也可以在项目的设置菜单的 Label 按钮，直接进行标注。

5.导入数据

如果有从其他软件进行标注过的数据，比如VOC数据，如何导入到 label studio 中呢？或者说直接导入以前已经标注好的数据。

(1) 开启本地文件夹支持
增加 LABEL_STUDIO_LOCAL_FILES_SERVING_ENABLED 和 LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT 配置，启用本地文件系统支持

1
2
3
4
5
6
7
8
9

# 命令行启动
LABEL_STUDIO_LOCAL_FILES_SERVING_ENABLED=true LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT=/data/jinlong/std_data label-studio

# docker启动
docker run -itd --name=label-studio -p 10003:8080 \
  -v /home/projects/label-studio:/label-studio/data \
  --env LABEL_STUDIO_LOCAL_FILES_SERVING_ENABLED=true \
  --env LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT=/label-studio/data \
  heartexlabs/label-studio:latest

（2）设置项目路径
新建项目，设置路径：Settings / Cloud Storage / Add Source Storage ，Storage Type 选择 Local files。右上角 “Absolute local path” 中需要填写绝对路径，而且这个绝对路径需要是 Label Studio 启动时 LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT 中设置的路径的子文件夹。

配置项目目录要填绝对路径（Absolute local path）比如我的：在启动的时候，指定了 /home/data/label-studio 映射到了容器 /label-studio/data 目录，那么我 /home/projects/label-studio/fire 数据存放目录，到label-studio中配置：/label-studio/data/fire/images 目录即可。

（3）测试图片访问
添加完本地存储之后，查看图片是否可以被访问。比如我的图片目录都是放到 fire/images 目录下，浏览器查看图片是否可以访问。

1

http://192.168.1.8:10003/data/local-files/?d=fire/images/your-room1.jpg

（4）转换voc为yolo
一般通过脚本的方式进行， objectDetectionDataset 提供了几种转换方法，可以根据需要进行修改之后使用。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join

classes = ['fire']


def convert(size, box):
    dw = 1./(size[0])
    dh = 1./(size[1])
    x = (box[0] + box[1])/2.0 - 1
    y = (box[2] + box[3])/2.0 - 1
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x*dw
    w = w*dw
    y = y*dh
    h = h*dh
    if w>=1:
        w=0.99
    if h>=1:
        h=0.99
    return (x,y,w,h)

def convert_annotation(rootpath,xmlname):
    xmlpath = rootpath + '/Annotations'
    xmlfile = os.path.join(xmlpath,xmlname)
    with open(xmlfile, "r", encoding='UTF-8') as in_file:
      txtname = xmlname[:-4]+'.txt'
      print(txtname)
      txtpath = rootpath + '/worktxt'#生成的.txt文件会被保存在worktxt目录下
      if not os.path.exists(txtpath):
        os.makedirs(txtpath)
      txtfile = os.path.join(txtpath,txtname)
      with open(txtfile, "w+" ,encoding='UTF-8') as out_file:
        tree=ET.parse(in_file)
        root = tree.getroot()
        size = root.find('size')
        w = int(size.find('width').text)
        h = int(size.find('height').text)
        out_file.truncate()
        for obj in root.iter('object'):
            difficult = obj.find('difficult').text
            cls = obj.find('name').text
            if cls not in classes or int(difficult)==1:
                continue
            cls_id = classes.index(cls)
            xmlbox = obj.find('bndbox')
            b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
            bb = convert((w,h), b)
            out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')


if __name__ == "__main__":
    rootpath=r'D:\zlc\gitee\yolov8\data\fire-smoke'
    xmlpath=rootpath+'/Annotations'
    list=os.listdir(xmlpath)
    for i in range(0,len(list)) :
        path = os.path.join(xmlpath,list[i])
        if ('.xml' in path)or('.XML' in path):
            convert_annotation(rootpath,list[i])
            print('done', i)
        else:
            print('not xml file',i)

（5）创建yolo目录
yolo的目录格式如下，其中 classes.txt 中，每行一个类别。通过上面的voc转换为json，然后分开各个路径。

1
2
3
4
5
6
7
8

images
   - 1.jpg
   - 2.jpg
   - ...
labels
  - 1.txt
  - 2.txt
classes.txt

（6）转换数据格式
安装 label-studio-converter，进行数据转换

1
2
3
4

# 安装
pip install label-studio-converter
# 转换，这里的 data/fire/images，路径，要在数据目录中，
label-studio-converter import yolo -i data/fire-yolo -o output.json --image-root-url "/data/local-files/?d=fire/images"

（7）编辑 label 标签
然后在项目设置的 Labeling Interface 中，将上一步生成的 output.label_config.xml 中的内容，也填入进去。

（6）导入output.json
将生成的 output.json，导入入到项目中

（7）完成
这样本地的标注项目就被导入到了 label-studio 中了，开始的时候，我的 output.json 里面没有坐标信息，导致我始终找不到标注在哪里。

问题

1.PermissionError: [Errno 13] Permission denied: ‘/label-studio/data/media’

【解决方案】

1

chmod 777 -R label-studio

2.ModuleNotFoundError: No module named ‘ultralytics’

在使用docker启动 ml backend 的时候，总是报错。

【尝试方案】
（1）我在 ml_backend 执行了 pip 安装了 ultralytics，无效。

（2）修改了 requirements.txt、requirements-test.txt、requirements-base.txt，增加了 ultralytics。requirements_base.txt and requirements_test.txt are basic dependencies (you don’t need to modify this)

（3）修改了 Dockerfile ，增加了清华源，也是无效。

1

RUN pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

【解决方案】
后来的解决方案，我觉得可能是用的 –build 参数。

1

docker compose up --build

3.error: RPC failed; curl 16 Error in the HTTP2 framing layer

执行 docker 启动 ml backend之后，出现了：executor failed running [/bin/sh -c pip install -r requirements-base.txt]: exit code: 1。意思就是：Running command git clone –filter=blob:none –quiet https://github.com/HumanSignal/label-studio-ml-backend.git /tmp/pip-install-y189u4fc/label-studio-ml_6fc0e90d1fec4709a7be0f377235b3cd
31.72 error: RPC failed; curl 16 Error in the HTTP2 framing layer

这里其实就是从 label-studio-ml-backend.git 进行安装

【尝试方案】
因为label-studio-ml-backend项目就是我从github上下载下来的，于是我就修改了requirements-base.txt,从 https 上下载，改为了直接引用本地仓库，但是没有成功。

1
2

# label-studio-ml @ git+https://github.com/HumanSignal/label-studio-ml-backend.git，改为：
label-studio-ml @ git+file:///usr/local/label-studio/label-studio-ml-backend

【解决方案】
我也没解决，就是删除了创建的 ml-backend,然后重新安装的。

我感觉特别的奇怪，有时候可以，有时候又不可以,多试几次就可以了。

4.libGL.so.1: cannot open shared object file: No such file or directory

这个问题其实是我注释了上面的requirements-base.txt, 然后执行导致的。

1

label-studio-ml @ git+file:///usr/local/label-studio/label-studio-ml-backend，

【尝试方案】
（1）我也没解决，就是删除了创建的 ml-backend,然后重新安装的。
（2）我也尝试了修改了 requirements.txt，增加了 opencv-python-headless，结果无效
（3）修改了 Dockerfile 文件，增加了如下的代码，结果 Unable to locate package libgl1-mesa-glx

1

RUN apt install -y libgl1-mesa-glx

（4）修改 Dockerfile 文件，增加了 下面的代码

1
2

RUN apt-get update && apt-get install -y python3-opencv
RUN pip install opencv-python

【解决方案】

修改了 Dockerfile 文件,增加了 libgl1，libglib2.0-0。

1
2
3

RUN apt-get update && apt-get install -y --no-install-recommends \
        libgl1 \
        libglib2.0-0 \