在目标检测任务中，手动拉框不仅耗时耗力，还容易因为疲劳导致漏标误标。今天为大家分享一款目前非常流行的开源标注神器——X-AnyLabeling。
它不仅界面现代、运行稳定，更强大的是，它完美支持加载我们自己训练的模型进行一键自动预标注，并能无缝导出 YOLO 格式数据。本文将手把手带你走完从模型转换到自动标注，再到数据导出的全流程。
🛠️ 第一步：下载与安装
强烈建议大家直接下载免安装的 GUI 可执行文件，无需折腾 Python 环境。
-
下载地址：X-AnyLabeling GitHub Releases
https://github.com/CVHub520/X-AnyLabeling/releases -
在 Releases 页面找到对应系统的压缩包（如 Windows 选
.zip或.exe），解压后双击运行即可。
🔄 第二步：将 .pt 模型转换为 .onnx 格式
X-AnyLabeling 的桌面端内置模型适配器主要针对 ONNX 格式进行了优化，因此我们需要先把训练好的 .pt 文件转换一下。打开终端，进入你的训练环境执行：
1. 如果是 YOLOv5 模型
在 YOLOv5 根目录下，执行官方自带的导出脚本：
python export.py --weights best.pt --include onnx --imgsz 640 --simplify(注：如果报错缺库，先执行 pip install onnx onnxsim。执行完毕后，同目录下会生成 best.onnx 文件。)
2. 如果是 YOLOv8 (Ultralytics) 模型
新建一段 Python 脚本执行：
from ultralytics import YOLO
# 加载模型并导出
model = YOLO('best.pt')
model.export(format='onnx', imgsz=640, simplify=True, opset=12)⚙️ 第三步：配置自定义模型的 YAML 文件（核心）
要让模型输出正确的标签，必须告诉软件你的类别是什么。这是自动标注不报错、标签不乱的核心步骤！
-
在 X-AnyLabeling 安装目录下，找到
configs/auto_labeling/文件夹。
-
找到一个与你模型架构匹配的 YAML 模板（比如
yolov5s.yaml或yolov8s.yaml）。 -
复制一份并重命名（例如
my_model.yaml），用记事本打开修改关键信息：
type: yolov8 # 根据你的模型填 yolov5 或 yolov8
name: my_custom_model
display_name: yolov8n # 你的检测模型
model_path: "D:/weights/best.onnx" # 【重要】填你刚才转出来的onnx文件绝对路径！
classes:
- person # 【重要】严格按训练时的类别顺序填写
- car
- egg⚠️ 避坑提醒：
classes下面的标签顺序千万不能错，必须和你训练集里的data.yaml完全一致，否则模型会把类别张冠李戴。
✨ 第四步：加载模型，一键自动标注
前期工作准备完毕，接下来就是见证奇迹的时刻：
-
打开 X-AnyLabeling，点击 “文件” -> “打开文件夹”（快捷键
Ctrl + U），载入需要标注的图片文件夹。
-
在界面右侧工具栏寻找 “模型” 图标，点击下拉菜单，选择 “加载自定义模型”。
-
浏览并选择你刚才写好的
my_model.yaml文件。
-
加载成功后，直接在键盘上按下快捷键
I（或点击 AI 推理按钮）。模型会瞬间完成推理，画面上自动生成所有预测的标注框！
(提示：按 A 或 D 切换图片，继续按 I 进行推理)
✏️ 第五步：自动标注结果的微调方案
AI 识别难免有瑕疵，X-AnyLabeling 提供了极其便捷的修改方案：
-
修改单个标签：直接在画布上右键点击标注框，选择“编辑标签”，选择正确的标签或手动输入（快捷键
Ctrl + E）。 -
删除错误框：点击选中框，按键盘上的
Delete键删除。 -
批量修改：在右侧的标签列表中右键点击某个标签，选择“重命名”，即可批量修改当前图片内的该类别标签。
📦 第六步：如何导出 YOLO 格式数据？（重点）
完成所有图片的“AI预标注+人工微调”后，你需要把数据导出为 YOLO 训练所需的格式。X-AnyLabeling 内置了便捷的导出功能，无需写脚本。
1. 准备类别文件 classes.txt
这是成功导出且标签不错乱的关键。X-AnyLabeling 导出时需要它来映射类别名称和数字索引（class_id）。
新建一个文本文档 classes.txt，每行写入一个类别，顺序必须与你的 data.yaml 完全一致：
person
car
egg第一行对应索引
0，第二行对应1，以此类推。
2. 在软件中执行导出
-
点击顶部菜单栏的 “导出” (Export) 按钮。
-
在格式列表中选择 “YOLO HBB”（标准水平矩形框）或 “YOLO OBB”（旋转框），根据你的任务类型选择。
-
随后会弹出一个文件选择窗口，上传你刚刚准备好的
classes.txt文件。 -
点击“确定/导出”，等待处理完成。
3. 导出的文件结构
导出成功后，X-AnyLabeling 默认会在当前图片目录的同级生成 labels 文件夹。最终结构如下：
你的项目目录/
├── images/ # 原始图片文件夹
│ ├── image1.jpg
│ └── ...
└── labels/ # 自动生成的标签文件夹
├── image1.txt # 与图片同名的标注文件
└── ...每个 .txt 文件的内容格式为：<class_id> <center_x> <center_y> <width> <height>，所有坐标均已归一化（0~1之间）。
💡 注意：X-AnyLabeling 不会自动划分训练集和验证集。如需标准的
train/val目录，请手动将图片和.txt文件分别移动到对应文件夹，并自行编写data.yaml文件。
⌨️ 附：自动标注与标注提效快捷键速查表
为了让你的“检查+微调”阶段效率翻倍，建议熟记以下快捷键：
| 功能 | 快捷键 | 说明 |
|---|---|---|
| 运行 AI 模型 | I | 一键对当前图片进行推理标注 |
| 上一张 / 下一张 | A / D | 快速切换图片，手不离开键盘 |
| 画矩形框 | R | 手动补框时使用 |
| 删除选中的框 | Delete | 删掉模型标错的框 |
| 编辑标签 | Ctrl + E | 快速修改当前选中框的标签 |
| 保存 | Ctrl + S | 记得随时保存标注结果 |
| 撤销 | Ctrl + Z | 标错了随时撤回 |
| 显示/隐藏标签 | Ctrl + L | 切换界面上文字的显示状态，防遮挡 |
📝 结语
通过 .pt 转 .onnx 加上配置 YAML 文件，你就可以让 X-AnyLabeling 完美发挥出自训练模型的能力；再配合标准的 classes.txt 一键导出，彻底打通了从“模型训练”到“数据扩充”的闭环。整体标注效率至少提升 5 倍以上。
希望这篇实操方案能帮到正在做目标检测的你。如果有任何配置上的问题，欢迎在评论区留言交流！如果觉得有用，别忘了点赞收藏！
转载自 CSDN-专业IT技术社区
原文链接：https://blog.csdn.net/Smoothly_Lu/article/details/170048721
