Label Studio部署使用

发表于 2026/03/01 更新于 2026/07/08

作者 handsomestwei

11 分钟阅读

Label Studio部署使用

Label Studio 是一款开源数据标注工具，支持计算机视觉、NLP、语音（TTS）等传统机器学习场景，也支持 LLM 对齐类标注；可在 Web 界面完成导入、标注、导出，供 Jupyter 等环境使用。

Git 仓库：

主仓库（后端 + 前端）：github.com/HumanSignal/label-studio
ML 后端（自动标注）：github.com/HumanSignal/label-studio-ml-backend
Gitee 镜像（国内）：gitee.com/mirrors/label-studio
中文汉化版：github.com/MindAsAI/label-studio-chinese

快速开始

Docker 方式

  
docker run -d \
  --name label-studio \
  -p 8080:8080 \
  -v $(pwd)/label-studio-data:/label-studio/data \
  heartexlabs/label-studio:latest

Windows 下 $(pwd) 改为 %cd%。

pip 方式

适合本地开发或不想使用 Docker 的场景：

  
conda create -n labelstudio python=3.11
conda activate labelstudio
pip install label-studio
label-studio start              # 默认 8080 端口
label-studio start --port 9001  # 指定端口

访问 Label Studio

启动成功后，在浏览器中访问：

http://localhost:8080

首次访问需注册账号（邮箱 + 密码）并登录；登录后进入项目首页，可开始创建标注项目。

数据持久化

Label Studio 数据目录默认为 /label-studio/data，Docker 启动脚本已将其挂载到宿主机 label-studio-data 子目录，重启容器后数据保留。

Web 界面标注流程

整体流程为：创建项目 → 导入数据 → 配置标注模板 → 执行标注 → 导出结果。

创建项目

在首页点击「创建项目」，按向导完成三步：

步骤	操作
1. 项目名称	填写项目名称与描述
2. 数据导入	上传本地文件，或填写 URL / 云存储路径
3. 标注模板	从内置模板选择（目标检测、语义分割、文本分类等），或自定义配置

创建完成后，项目会出现在项目列表中。

执行标注

在项目列表中选中任务图片，或点击「标注所有任务」进入标注页。先在侧边栏选择标签名称，再在画布上绘制框、多边形或填写文本等，完成单条标注后保存并切换下一条。

标注完成后，可在项目「数据管理」或「导出」菜单中将结果导出为 JSON、COCO、YOLO 等格式。

标注模板与界面配置

配置标签有两种方式：

方式	说明
代码式	直接编辑 XML 标注配置，灵活度高，适合复杂界面
可视化操作	在 UI 中点选添加标签名与组件，适合快速上手

以边界框目标检测为例，可在可视化界面中添加 RectangleLabels 等组件并定义类别名称（如 person、car）。代码式示例如下：

  
<View>
  <Image name="image" value="$image"/>
  <RectangleLabels name="label" toName="image">
    <Label value="person"/>
    <Label value="car"/>
  </RectangleLabels>
</View>

标注界面还可通过配置面板调整辅助选项：

配置项	作用
区域边框宽度	标注时框线显示粗细
图像缩放	放大/缩小便于精细标注
图像旋转	旋转图像后标注
标签位置	标签列表显示在上下左右
标签筛选	标签类别较多时快速过滤

自动标注（ML 后端）

Label Studio 支持接入模型对数据进行预标注：模型推理结果呈现在标注页，标注员只需审核与修正，无需从零绘制。

ML 后端原理

推理服务需实现 Label Studio ML Backend 约定的接口与响应格式。官方提供 label-studio-ml-backend 项目，内含目标检测、语义分割、OCR 等示例；也可使用 FastAPI、Django 等框架自行实现，只要路径与 JSON 格式符合约定即可。

部署示例有两种常见方式：

克隆 label-studio-ml-backend 仓库，按 README 安装并启动对应算法示例
使用 Docker 运行官方或社区封装好的 ML 后端镜像

以 YOLO 目标检测为例，容器启动时需传入两个环境变量：

  
docker run -d -p 9999:9090 \
  -e "LABEL_STUDIO_URL=http://<宿主机IP>:8080" \
  -e "LABEL_STUDIO_API_KEY=<your-token>" \
  --name yolo-ml-backend \
  <your-ml-backend-image>

环境变量	说明
`LABEL_STUDIO_URL`	Label Studio 访问地址，如 `http://192.168.1.10:8080`
`LABEL_STUDIO_API_KEY`	API Token，在账户设置中创建（见下文「获取 Token」）

容器启动后，在浏览器访问 http://<宿主机IP>:9999 可验证 ML 后端是否正常运行。

在项目中连接模型

进入目标项目，点击「设置」
左侧选择「模型」菜单
点击「连接模型」，填写模型名称、后端 URL（如 http://192.168.1.10:9999）、身份验证方式等
点击「验证并保存」

开启自动标注

回到项目列表，打开标注页面，勾选「自动标注」后，系统会调用已连接的 ML 后端对当前任务进行预标注，标注员在此基础上修正即可。

Web 界面使用与自动标注部分参考知乎专栏：数据标注开源框架 Label Studio（中文版）。

常用公开开源数据集

可从以下网站获取用于标注与训练的公开数据集：

网站	链接	说明
Kaggle Datasets	kaggle.com/datasets	海量数据集，涵盖图像、文本、表格等，需注册
Hugging Face Datasets	huggingface.co/datasets	各类 NLP、CV 数据集，支持 streaming 与一键加载
Open Images	storage.googleapis.com/openimages	Google 开放图像数据集，约 900 万张，多类别标注
COCO	cocodataset.org	通用物体检测、分割、字幕等，常用于目标检测基准
ImageNet	image-net.org	大规模图像分类数据集，需申请下载
Roboflow Universe	universe.roboflow.com	大量预标注 CV 数据集，支持导出多种格式
Papers With Code Datasets	paperswithcode.com/datasets	与论文绑定的数据集，便于复现
阿里天池	tianchi.aliyun.com/dataset	中文场景数据集，含图像、NLP、时序等
UCI ML Repository	archive.ics.uci.edu/ml	经典机器学习数据集，多用于表格与分类任务
Microsoft Azure Open Datasets	azure.microsoft.com/open-datasets	多种领域开放数据，可集成 Azure 服务

与 Jupyter 配合使用

标注完成后，可将导出的文件上传到 Jupyter 工作目录，或在 Jupyter 中通过 pandas、pycocotools 等库加载标注数据进行训练。

API 方式对接

Label Studio 提供 HTTP API 与 Python SDK，可编程完成项目创建、任务导入、标注导出等操作；并支持 ML 后端自动标注：接入自研或官方示例模型后，可对任务进行预标注、交互式标注辅助，详见 labelstud.io/guide/ml。

获取 Token

登录 Label Studio，点击右上角用户头像
选择 Account & Settings
左侧进入 Personal Access Tokens 或 Legacy Tokens
创建 Token 后复制保存（Personal Access Token 创建后仅显示一次）

类型	HTTP 认证方式	说明
Personal Access Token (PAT)	`Authorization: Bearer <token>`	JWT，需定期刷新（约 5 分钟），更安全
Legacy Token	`Authorization: Token <token>`	长期有效，无需刷新，可直接用于 HTTP 请求

若页面中看不到 Token 选项，需组织管理员在 Organization Settings > Access Token Settings 中启用。

HTTP API

Legacy Token（推荐用于脚本调用，简单直接）：

  
# 示例：列出项目
curl -X GET "http://localhost:8080/api/projects" \
  -H "Authorization: Token <your-legacy-token>"

Personal Access Token：

PAT 为 JWT 刷新令牌，需先换取短期 access token 再调用 API：

  
# 1. 换取 access token
curl -X POST "http://localhost:8080/api/token/refresh" \
  -H "Content-Type: application/json" \
  -d '{"refresh": "<your-personal-access-token>"}'
# 返回 {"access": "<short-lived-token>"}

# 2. 使用 access token 调用 API
curl -X GET "http://localhost:8080/api/projects" \
  -H "Authorization: Bearer <short-lived-token>"

Python SDK

pip install label-studio-sdk

  
from label_studio_sdk import LabelStudio

LABEL_STUDIO_URL = 'http://localhost:8080'
LABEL_STUDIO_API_KEY = 'your-token'  # PAT 或 Legacy Token 均可

client = LabelStudio(base_url=LABEL_STUDIO_URL, api_key=LABEL_STUDIO_API_KEY)

# 列出项目
projects = client.projects.list()
# 创建项目、导入任务、导出标注等
# 详见 https://labelstud.io/guide/sdk 与 https://api.labelstud.io

也可通过环境变量 LABEL_STUDIO_API_KEY 传入，SDK 会自动读取。

端口与配置

配置项	默认值	说明
容器端口	8080	Label Studio 监听端口
宿主机端口	8080	映射到宿主机
数据目录	./label-studio-data	宿主机持久化路径

AI, ML

AI ML Label Studio

本文由作者按照 CC BY 4.0 进行授权

Label Studio部署使用

快速开始

Docker 方式

pip 方式

访问 Label Studio

数据持久化

Web 界面标注流程

创建项目

执行标注

标注模板与界面配置

自动标注（ML 后端）

ML 后端原理

在项目中连接模型

开启自动标注

常用公开开源数据集

与 Jupyter 配合使用

API 方式对接

获取 Token

HTTP API

Python SDK

端口与配置

热门标签