Label Studio：统一的数据标注环境

FreeGuideOnline 最新 2026-07-03

Label Studio 快速入门：打造你的统一数据标注环境

Label Studio 是一个开源的数据标注工具，支持图像、文本、音频、视频等多种数据类型，可以灵活配置标注界面，极大提升数据准备效率。本教程将带你从零开始，完成一次完整的标注任务，轻松上手这一强大的标注平台。

1. 认识 Label Studio

在机器学习项目中，高质量的标注数据是模型成功的基石。Label Studio 提供了一个统一的 Web 界面，让你无需在多款工具之间切换，即可完成：

图像：图像分类、目标检测、语义分割、关键点标注
文本：文本分类、命名实体识别（NER）、情感分析、问答对标注
音频：语音转写、音频分类、说话人分段
视频：视频分类、动态目标跟踪
多模态：混合类型的数据标注，如文本+图像的协同标注

它采用前后端分离架构，支持自定义标注模板，结果导出格式多样（COCO、YOLO、CSV、JSON 等），并可轻松集成到 MLOps 流水线中。

2. 安装与启动

Label Studio 支持多种安装方式，这里推荐最常用的两种。

2.1 使用 pip 安装（本地或服务器）

确保你的环境中已安装 Python 3.8 及以上版本。

# 新建一个虚拟环境（推荐）
python -m venv label-studio-env
source label-studio-env/bin/activate   # Linux/Mac
# label-studio-env\Scripts\activate   # Windows

# 使用 pip 安装
pip install label-studio

# 启动服务（默认端口 8080）
label-studio start

首次启动时会创建默认用户账号，在本机访问 http://localhost:8080 即可打开界面。你也可以通过 --username 和 --password 参数指定初始管理员，如：

label-studio start --username admin@example.com --password mypassword

2.2 使用 Docker 安装

如果你更习惯容器化部署，Docker 是理想选择。

docker run -it -p 8080:8080 -v `pwd`/mydata:/label-studio/data heartexlabs/label-studio:latest

上述命令将数据持久化到本地 mydata 目录，防止容器删除后数据丢失。

3. 创建你的第一个标注项目

启动成功后，浏览器打开地址，登录账号，跟着以下步骤创建项目：

点击“创建项目”：在首页点击右上角的蓝色 Create 按钮。
填写项目信息：输入项目名称（如 猫狗分类）和描述。
导入数据：支持上传文件、粘贴 URL、链接云存储（S3、GCS 等）。我们以本地图像为例，点击 Upload Files 选择多张图片后导入。
配置标注模板：这是 Label Studio 最精妙的部分，下一节详细展开。

4. 配置标注模板（Labeling Config）

模板配置决定了你在标注时看到的界面。Label Studio 使用 XML 格式的模板来定义标签和控件类型。

在项目创建步骤的 Labeling Setup 中，选择模板类型，或直接编写自定义 XML。对一个简单的图像分类任务，可以选择 Image Classification 模板，自动生成如下配置：

<View>
  <Image name="image" value="$image"/>
  <Choices name="choice" toName="image">
    <Choice value="cat"/>
    <Choice value="dog"/>
  </Choices>
</View>

解释：

<Image> 展示原始图片，value="$image" 关联上传的数据字段。
<Choices> 提供单选或多选控件，toName 指向要标注的对象。
每个 <Choice> 定义一个分类标签。

你可以在界面中直接修改标签文本，也可以在代码编辑器中手工调整。更复杂的任务如目标检测，可使用 RectangleLabels 控件：

<View>
  <Image name="image" value="$image"/>
  <RectangleLabels name="rect" toName="image">
    <Label value="cat" background="blue"/>
    <Label value="dog" background="green"/>
  </RectangleLabels>
</View>

点击 Save 保存后，系统会为标注员生成对应的标注界面。

5. 开始标注

保存模板后进入项目的 Data Manager 视图，你会看到所有已导入的数据项。点击任一数据项即可进入标注工作台。

5.1 工作台面板

左侧区域：原始数据展示（如图片、文本段落）。
右侧区域：命令面板，包含根据模板生成的标注控件。
底部区域：可看到当前数据的标识、历史版本等。

5.2 标注操作

以图像分类为例，直接从右侧分类列表中选择一个标签即可完成标注。标注完成后，点击底部 Submit 按钮，该条记录会自动标记为“已完成”，并跳转到下一条。

对于目标检测任务，你需要：

在右侧控件选择对应的标签（如 cat）。
用鼠标在图片上拖拽绘制矩形框。
可多次添加不同类别的框，或修改、删除已有框。
点击 Submit 提交。

5.3 快捷键与辅助

Alt + Enter：提交标注
Ctrl + Z：撤销上一步操作
左侧数据列表可以按条件筛选：已完成、待标注、已跳过等。
支持设置“跳过”不满足要求的数据。

每一条标注都可以在右侧面板中查看“标注历史”和“问题反馈”。

6. 导出标注结果

当你完成部分或全部标注后，需要将数据导出用于模型训练。

在项目的 Data Manager 界面，点击右上角的 Export 按钮。
选择导出格式：分类任务常用 JSON、CSV；目标检测需选择 COCO、YOLO 等特定格式。
点击 Export 下载文件。导出会包含标注结果以及对应的原始数据路径或内容。

示例导出的 JSON 文件结构：

[
  {
    "id": 1,
    "data": {
      "image": "/data/upload/1.jpg"
    },
    "annotations": [
      {
        "result": [
          {
            "value": {
              "choices": ["cat"]
            },
            "type": "choices"
          }
        ]
      }
    ]
  }
]

如果你使用云存储，导出时还能选择是否包含原始数据文件本身。

7. 进阶功能简介

掌握基础后，你可以探索更多高级特性：

自定义标签样式与条件显示：通过模板中的 when 属性实现动态标注界面，例如先选“动物”再选择细分种类。
主动学习集成：与 Label Studio ML 后端结合，利用模型预标注结果，人工只需修正错误，极大降低标注成本。
团队协作：创建多用户角色，分配标注员和审核员，设置数据管道确保标注质量。
存储管理：连接 S3、GCS、Azure 等云存储，直接从云端导入数据，无需本地下载。
版本与克隆：支持项目快照、模板历史版本回溯，并可通过 API 克隆项目。

8. 常见问题排查

端口被占用：启动时指定其他端口 label-studio start -p 9000。
导入数据失败：检查文件大小是否超过上限（可在环境变量中调整 FILE_UPLOAD_SIZE_LIMIT），或是否支持该格式。
标注模板报错：善用界面中的 XML 校验器，确保标签 name 唯一且 toName 指向正确对象。
导出格式不合预期：不同任务需配套对应模板，导出时才会生成对应的标准化格式。

9. 后续学习资源

Label Studio 官方文档：https://labelstud.io/guide/
模板库（可直接复制粘贴的 XML 配置）：https://labelstud.io/templates/
GitHub 仓库：https://github.com/HumanSignal/label-studio

通过本教程，你已经具备了使用 Label Studio 构建端到端标注流程的能力。现在，就动手创建你的第一个标注项目，加速你的 AI 模型开发吧！