Label Studio

定义

Label Studio 是一款开源的多类型数据标注与注释工具，输出采用统一的结果格式^[3]。官方文档将它描述为能在单一平台内支持多个项目、多个用户和多种数据类型的标注环境，用户可以在其中完成不同类型的标注任务，并把机器学习模型的预测结果作为预标注引入^[1]。

该工具以浏览器界面呈现标注任务，服务端以 Python 编写，界面部分以 React 构建，二者可作为模块分别嵌入其他系统^[1][2]。项目提供开源社区版，另有两个付费版本，即云端入门版与企业版^[5]。

原理

标注界面由一段自定义的 XML 配置生成。配置中以视图标签组织布局，以控制标签定义可执行的标注动作，两者通过 toName 等属性与被展示的数据字段关联，再由 Label 子标签列出可选的类别取值^[6]。例如图像任务用 Image 标签引用数据中的图片地址，用 Rectangle、Polygon、KeyPoint 等控制标签绘制框、多边形与关键点；文本任务则用 Text 标签显示正文，配合 Choices、Labels 或 TextArea 等控件记录判断结果^[7][6]。

标注结果以 JSON 形式保存，每条结果记录值字段，其中坐标类数值按页面尺寸归一化到 0 至 1 之间，并附带旋转角度、页码等属性；导出时再借助转换组件映射为下游框架所需的结构^[8][9]。数据导入支持本地文件、云对象存储以及 JSON、CSV 等归档文件，也支持通过 REST 接口把工具接入既有数据流水线^[2]。

机器学习后端是另一个可插拔部分。用户可自行搭建预测服务并与项目连接，使模型在标注过程中给出建议标签，从而进行预标注、边标边训的在线学习，以及只挑选疑难样本的主动学习^[2]。项目还提供基于变换器模型的连接组件，用于自动获得预测服务^[2]。

$标注覆盖率 = 已标注任务数 / 任务总数 \times 100\%$，多人重复标同一任务时，可用标注一致性指标衡量结果的可信度^[6]。

发展历程

项目由 Heartex 团队于 2019 年组建公司后开始，并很快放出第一个开源版本^[10]。官方引文信息将 Label Studio 的作者列为 Maxim Tkachenko、Mikhail Malyuk、Andrey Holmanyuk 与 Nikolai Liubimov，起始年份记作 2020 年^[1][2]。

2023 年，Heartex 宣布更名为 HumanSignal，社区版与企业版继续作为其核心产品^[11]。更名公告提到，当时已有超过 250000 名数据科学家和标注人员使用该平台，累计标注数据超过 2 亿条^[11]。

此后版本迭代持续推进，代码仓库中可查到 1.20.0、1.21.0、1.22.0、1.23.0 等版本记录^[12]。围绕大语言模型的需求，产品线逐步加入偏好数据收集、成对比较、模型输出评分与检索问答评测等工作流^[13]。

2025 年 10 月，中国科学院科学数据中心软件栈 FairStack 集成 Label Studio，用于快速开启科学数据标注任务^[4]。

应用

计算机视觉是较早的应用方向，涵盖图像分类、目标检测、语义分割与目标跟踪，其中目标检测支持矩形、多边形、圆形和关键点等多种标注形状^[14]。视频场景可加入关键帧，并在关键帧之间自动插值生成边界框。

自然语言与文档处理方面，可用于命名实体识别、问答、情感分析与 OCR 结果校对，也可对对话记录做转写与分类^[14]。音频任务包括语音转写、说话人分离与情感识别，传感器与物联网方向则可用于时间序列的分类、分割与事件识别^[14]。

面向大模型的工作流包括监督微调数据准备、基于人类反馈强化学习所需的偏好排序，以及对模型回答的分级和并排比较。导出格式方面，标注结果可转换为 COCO、PASCAL VOC、YOLO 等常见格式，也可反向把 YOLO 数据导入为任务文件^[9][4]。

部署形态较灵活，可本地安装、在容器中运行，或部署到云主机；企业版另有托管云服务并提供单点登录、角色权限和合规审计等能力^[3][5]。

局限

社区版与企业版在协作与质量控制上的能力差别明显。官方对照表显示，社区版没有基于角色的自动化工作流与访问控制，缺少审核员指派、共识指标、标注员绩效面板与活动日志，所有用户均为管理员，也没有任务分配与团队管理功能^[5]。

文档处理是另一处边界。原生 PDF 渲染与 OcrLabels 标签属企业版功能，最多支持 100 页；社区版用户需要先把文档转为逐页图片再标注，文本层信息会因此丢失^[8][15]。即便在企业版中，OCR 依赖 PDF 已有的可选中文本层，扫描件须先用外部工具补齐文本层，否则框选无法返回文字^[8]。

由图片拼成的多页文档方案还受浏览器与服务端约束：图像需放置在允许跨域访问的存储上，否则界面无法正常加载；单个任务包含上百张图片时，实际会生成大量数据库任务，标准部署下建议控制资源总量以维持响应速度^[15]。此外，工具本身只负责标注与结果整理，模型训练与推理须由外部系统完成。

以规则文本渲染的界面在纯文本或 HTML 任务中容易出现字符偏移，需要在数据进入前做清洗与校验，才能保证导出的字符区间与实际文本对齐^[15]。

参见

• 数据标注 —— 为训练机器学习模型而给样本添加标签的过程，是本工具处理的核心工作。

• 主动学习 —— 只挑选模型难以判断的样本交给人标注，可借助工具的后端接口实现。

• 基于人类反馈的强化学习 —— 依赖人工偏好排序数据，工具提供对应的排序与比较界面。

• COCO —— 常用的图像数据集与标注格式，工具可将结果导出为该格式。

• 目标检测 —— 在图像中定位并分类目标，是工具支持的典型标注任务。