企业官网建设流程全解析

CVAT本地部署教程：Docker一键启动到首次标注的完整路径

【免费下载链接】cvatComputer Vision Annotation Tool (CVAT) is a leading platform for building high-quality visual datasets for vision AI. It offers open-source, cloud, and enterprise products, as well as labeling services, for image, video, and 3D annotation with AI-assisted labeling, quality assurance, team collaboration, analytics, and developer APIs.项目地址: https://gitcode.com/GitHub_Trending/cvat/cvat

标训练数据逐张手点很慢，人一多，格式和版本问题更多。CVAT 是开源的计算机视觉标注平台，覆盖图像、视频、点云标注、AI 辅助标注与团队协作。本文按 CVAT 本地部署的思路带你过一遍：服务跑起来、账户建好、任务开起来。

CVAT 是什么，适合谁用

动手前先说清楚要上线的是什么：一套跑在自己机器上的标注环境，数据不出内网。典型场景：小团队要给检测模型攒训练样本，或者研究者想在统一平台里管理多人标注任务。除了手动标注，它还能接入自研深度学习模型做自动标注，标注方式包括框、多边形、掩码、关键点等。

项目核心是 MIT 许可的代码仓库：后端在 cvat/apps/，前端界面在 cvat-ui/。

三步把服务跑起来

环境检查、拉代码、起服务合并成三步，每步都有明确的验证点，看到对应输出即算通过。这也是本地部署的"快速上手"主路径，走完就能建任务开始标注。

第一步：确认环境。需要 Docker Engine 和 Docker Compose，Ubuntu、CentOS 均可，机器建议至少 8GB 内存、20GB 空闲磁盘：

docker --version docker-compose --version

看到两行版本号即成功。若 Docker 未安装，先装好并确认当前用户能执行 docker 命令。

第二步：获取源码。克隆仓库并进入目录：

git clone https://gitcode.com/GitHub_Trending/cvat/cvat cd cvat

目录里能看到docker-compose.yml、manage.py即拉取完成。整套服务拓扑都写在 docker-compose.yml 里：Postgres 数据库、Redis（内存 + 磁盘缓存）、后端、前端、OPA 授权，外加 ClickHouse/Grafana 分析链路。如果要在本机之外访问，启动时把CVAT_HOST环境变量设为你的服务器 IP 或域名，默认值是 localhost。

第三步：启动全部服务：

docker-compose up -d

首次启动会拉取镜像并初始化容器，预留 2-5 分钟。可随时跟踪进度：

docker-compose logs -f

验证方式：docker-compose ps中所有容器处于 Running 状态，服务即已就绪。

建好账户，完成第一次标注

服务在跑，但还不能登录。在cvat_server容器里执行两条命令：先初始化数据库，再创建管理员账户，终端依次要用户名、邮箱和密码时直接填写：

docker exec -it cvat_server bash -ic 'python3 manage.py migrate' docker exec -it cvat_server bash -ic 'python3 manage.py createsuperuser'

第二条命令提示创建成功后，把http://localhost:8080敲进浏览器，用刚建的管理员账户登录。

接下来做第一次标注：新建项目，在项目下建任务，选择数据来源并上传自己的图像、视频或点云文件，定义标签（如 person、car），然后开始画。矩形、多边形、掩码都直接在画布上绘制，画笔工具可以一次描出形状：

画布支持缩放、分组和属性查看，视频任务可以先关键帧标注，再用插值把结果传播到多帧。

涉及模型辅助标注时，在模型选择页选定模型、把模型类别映射到任务标签，即可对数据批量生成标注：

卡住了看这里

改端口要两边对上：修改 docker-compose.yml 里的映射后，浏览器地址栏也用新端口，这是最容易漏的一步。其余高频故障按表处理：

进阶可以往哪走

日常用熟之后，有三个方向值得往下做：

1. 接入自研模型做自动标注。serverless/ 目录里有 PyTorch、TensorFlow、OpenVINO、ONNX 等多框架的现成部署脚本；模型服务的调度逻辑在 cvat/apps/lambda_manager/。
2. 组团队并加质量控制。多用户角色与组织管理见 cvat/apps/organizations/，多名标注者结果的共识合并在 cvat/apps/consensus/，标注质量报告与比对逻辑在 cvat/apps/quality_control/。
3. 打开标注分析看板。components/analytics/ 目录包含 ClickHouse + Vector + Grafana 的完整配置，日志采集在 components/analytics/vector/vector.toml，启动后即可按任务查看标注量、耗时与标注速度：

3D 点云标注画布也是独立模块，相关前端代码见 cvat-canvas3d/。

可以开工了 ✅

• docker-compose up -d后确认全部容器 Running
• 执行 createsuperuser 并在http://localhost:8080登录成功
• 建好任务并上传一份小型测试数据
• 定义至少一个标签，画出第一个标注形状

四项做完，这套 CVAT 部署就可以投入实际标注了。数据留在自己的机器上，用得放心。

【免费下载链接】cvatComputer Vision Annotation Tool (CVAT) is a leading platform for building high-quality visual datasets for vision AI. It offers open-source, cloud, and enterprise products, as well as labeling services, for image, video, and 3D annotation with AI-assisted labeling, quality assurance, team collaboration, analytics, and developer APIs.项目地址: https://gitcode.com/GitHub_Trending/cvat/cvat