LabelImg：开源图像标注利器

当你的 AI 训练师需要一个好用的标注工具

想象一下，你训练了一个目标检测模型，但模型总是把"猫"误认成"狗"。问题很可能不在模型本身，而在你喂给它的训练数据——那些用来教会模型"这是什么"的标注框，是否足够准确、足够多？打标注是一项枯燥却关键的工作，而 LabelImg 正是为解决这一痛点而生的开源工具。

LabelImg 是由开发者 Tzutalin 创建的图形化图像标注工具，核心功能是让用户通过可视化界面为图片中的目标绘制边界框（bounding box），并打上类别标签。这些标注数据是训练目标检测、图像分割模型的"原材料"。该项目在 GitHub 上积累了约 25000 颗星，6000+ 次 Fork，是计算机视觉领域最受欢迎的标注工具之一。

2021 年，Tzutalin 的 labelImg 正式并入 Label Studio 社区，成为其生态的一部分。Label Studio 是一个功能更全面的多模态数据标注平台，支持图像、文本、音频、视频等多种数据类型的标注。

技术架构

LabelImg 采用经典的桌面 GUI 架构，核心技术栈如下：

代码结构组织清晰，主要分为以下模块：

• labelImg.py — 应用入口，负责主窗口初始化和事件调度
• libs/ — 核心功能库，包含：
  • canvas.py（核心，绘图画布，处理鼠标事件和边界框绘制）
  • shape.py（边界框数据结构定义）
  • pascal_voc_io.py / yolo_io.py / create_ml_io.py（三种格式的读写实现）
  • labelFile.py（标注文件读写封装）
  • labelDialog.py（标签输入对话框）
  • settings.py（用户偏好设置持久化）

这种模块化设计使各功能解耦，便于维护和扩展。

核心功能与使用场景

LabelImg 的使用非常简单，打开一张图片，用鼠标拖拽即可绘制边界框，然后在弹出的标签输入框中输入类别名称（如"car""person""dog"）。支持键盘快捷键大幅提升效率，例如 w 键快速切换到画框模式，d 键下一张图，a 键上一张图。

支持的标注格式：

1. PASCAL VOC（默认）：XML 文件，结构与 ImageNet 数据集一致，是 VOC 挑战赛的标准格式。每个标注包含目标类别、边界框坐标（xmin, ymin, xmax, ymax）等详细信息。
2. YOLO：TXT 文件，每行代表一个目标，格式为 class_id x_center y_center width height（归一化坐标），适合 Darknet/YOLO 系列模型直接使用。
3. CreateML：Apple Core ML 生态的 JSON 格式，适合在苹果平台上训练模型。

标注完成后，数据可直接用于训练 TensorFlow Object Detection API、YOLO、Detectron 等主流目标检测框架。

部署与上手

LabelImg 的安装非常简单，一条命令即可：

pip3 install labelImg
labelImg  # 直接启动

从源码构建需要 Qt5 开发库支持（Ubuntu 下 apt-get install pyqt5-dev-tools），然后：

sudo apt-get install pyqt5-dev-tools
pip3 install -r requirements/requirements-linux-python3.txt
make qt5py3
python3 labelImg.py

部署难度极低，对硬件几乎没有要求。无需 GPU，普通 CPU + 2GB 内存即可流畅运行。项目已上传 PyPI，也提供 GitHub Release 预编译包，Windows 用户可直接下载 .exe 使用。

当前状态与局限

需要注意的是，原作者 Tzutalin 已停止对 labelImg 的积极维护，项目现已并入 Label Studio 社区。对于新用户，推荐直接使用 Label Studio，它提供了更现代的 Web 界面、更丰富的标注类型（支持语义分割、关键点等）和更强的团队协作功能。

但 labelImg 依然有其价值：

• 轻量：无需安装服务器，打开即用
• 专注：只做一件事（图像边界框标注），做得很好
• 兼容性好：导出的 YOLO 格式几乎被所有目标检测框架支持

LabelImg 的 450+ 个 open issues 也反映了一个现实问题：由于缺乏活跃维护，社区贡献者难以获得维护者的及时响应，一些 Bug（如特定 PyQt5 版本兼容性问题）长期悬而未决。

行业意义

LabelImg 的出现填补了 2016 年前后开源标注工具的空白。在它诞生之前，研究者通常需要自行编写标注脚本或使用昂贵的商业工具。labelImg 让"人人都能打标注"成为可能，极大降低了计算机视觉研究的入门门槛。

从标注工具的发展历程看，LabelImg 代表着"桌面端 + 单一模态"的第一代开源标注工具；Label Studio 则代表了"Web 端 + 多模态"的下一代方案。这一演进轨迹折射出 AI 数据工程领域对更高效、更协作、更通用工具的持续追求。

本报告基于 GitHub 仓库最新代码（master 分支）和项目 README 生成，分析时间：2026-05-25。