YOLO 训练项目中，标注工具的选择影响效率，特别是在自动预标注和多种格式导出方面差异很大。
X-AnyLabeling（推荐，功能最全）
国内团队维护，目前更新最活跃的智能标注工具。
核心优势：
- 内置 SAM 自动分割（点击目标自动生成 mask）
- 集成 GroundingDINO 文本驱动检测
- 支持 YOLOv8 预标注（先训一个小模型，用它预标注剩余数据）
- 支持矩形、多边形、关键点、旋转框等多种标注类型
- 支持 YOLO、COCO、VOC 格式导出
pip install x-anylabeling
x-anylabeling适合：需要 AI 辅助加速标注，或做实例分割。
LabelMe（经典稳定）
Python 实现，教程资料最多，适合新手入门。
pip install labelme
labelme特点：
- 支持矩形、多边形、圆形、线段标注
- JSON 格式保存，可转换为 YOLO/COCO 格式
- 社区资料丰富
不足：纯手动标注，没有 AI 辅助，标注效率相对低。
PaddleX（无代码完整流程）
百度飞桨出品，从标注到训练到部署的一站式平台。
pip install paddlepaddle paddlex完整流程：
数据上传 → 标注 → 训练（可视化监控）→ 评估 → 导出模型 → 部署特点：
- 图形化界面，不需要写代码
- 支持目标检测、图像分类、OCR、语义分割
- 自带数据增强
- 支持 GPU 分布式训练
适合：不熟悉深度学习代码的工程师，或做快速验证。
Label Studio（团队协作）
功能最完整的企业级标注平台。
pip install label-studio
label-studio start特点：
- 多用户任务分配和审核
- 支持图片、文本、音频、视频
- REST API，可集成到训练流水线
- 支持 YOLO、COCO 等格式导出
- 社区版免费，企业版收费
适合：团队协作标注大数据集，或需要标注审核流程。
工具对比
| 工具 | AI 辅助 | 团队协作 | 学习成本 | 适用场景 |
|---|---|---|---|---|
| X-AnyLabeling | ✅ SAM+DINO | ❌ | 低 | 智能辅助标注 |
| LabelMe | ❌ | ❌ | 极低 | 个人小数据集 |
| PaddleX | 部分 | ❌ | 低（有 GUI） | 无代码训练 |
| Label Studio | ✅ | ✅ | 中 | 团队大规模标注 |
YOLO 格式快速说明
标注完成后导出为 YOLO 格式（.txt 文件）：
# 每行格式：class_id cx cy width height
0 0.5 0.3 0.2 0.15
1 0.7 0.6 0.1 0.08坐标均为相对图片尺寸的归一化值（0~1）。class_id 从 0 开始，对应 data.yaml 中的类别列表。
预标注加速工作流
效率最高的策略：
- 手动标注 200~500 张
- 训练一个初版 YOLOv8 模型
- 用该模型对剩余数据预标注
- 人工审核+修正（只改错误的框）
- 合并数据重新训练
通常从第二轮开始，实际手工修改量减少 60~80%。