需要自己攒一批训练数据，又不想把素材传到在线平台，本地部署 LabelStudio 是常见选择。它能在自己电脑上组织图像分类、目标框选、文本标注等项目，配好标签体系和质检规则，标注完成后导出成训练框架能用的格式。本文讲从安装到导出的完整工程流程。

本地标注项目和众包平台标注有什么区别？

众包平台适合把任务外包给陌生标注员，自己只收成品；本地项目适合素材敏感、标签体系需要反复调整的情况，数据不出自己的电脑。本地方案的代价是要自己定标签规则、培训标注员、做质检，好处是数据隐私可控，规则改了立刻生效。如果只是想赚标注佣金，应该走众测平台，不是本文的路线；本文面向需要为自己模型攒数据的小团队。

安装与第一个项目的配置分几步？

先准备 Python 环境，用 pip 安装 LabelStudio 命令行包，启动后在本地端口打开管理界面。新建项目时先选标注类型，图像分类就选标签分类，要框选目标就选目标检测模板。第二步在标签界面逐个定义标签名称，比如常见物体类，每个标签配一个颜色，避免标注时选错。第三步导入本地图片目录，项目设置里限制每次任务的分配数量，先小批量试跑再全量铺开。

标注员培训与质检规则怎样定？

开工前写一页标注说明，把容易混淆的类别用正反例讲清楚，比如什么情况算框选完整、什么情况可以忽略。每个标注员先试标二十张，负责人复核通过后再正式开始。正式阶段抽百分之十到二十做二次标注，两个人标同一张图比对一致性，分歧大的样本单独讨论修正。标签规则在过程中会调整，调整后要通知全员并回改旧样本，不能新旧规则混用。

标注完成后怎样导出成训练可用的格式？

项目完成后在导出选项里选通用格式，目标检测常用 COCO JSON，分类任务常用清单加标签文件。导出前先随机打开几份结果检查框的位置和标签有没有错位，再批量导出。把原始图片、标注文件、标签清单放在同一个项目目录，按版本号归档，后续规则更新时能回溯到旧版本。本地标注工程的核心不是工具本身，而是规则稳定和质检闭环。

如果标注员不止一人，可以在项目设置里开启任务分配与审核流转，每张图由一人标注、另一人复核，分歧样本进入仲裁队列。标注量上来之后，给图片分难度批次，简单图先标、模糊图后置，避免一开始就被疑难样本卡住。工具安装偶尔会遇到依赖版本问题，报错原样贴给 AI 排查，通常是 Python 包版本不匹配，按提示降级或补齐即可，不必从零研究源码。

去论坛讨论

前往 silicon-agi.com 论坛 参与讨论