Komplett offline · Open Source und kostenlos · Daten bleiben auf deinem Rechner

Annotieren, trainieren, bereitstellen –
alles in einem Programm.

Bilder importieren und sofort annotieren, nach einer kleinen Menge schon trainieren und mit dem eigenen Modell den Rest vorannotieren. Evaluierung, Export und Live-Test vor Ort – alles in einer Offline-Software.

Kein Internet nötig, alle Daten bleiben lokal Trainingsumgebung mit einem Klick, Grafikkarte wird automatisch erkannt Apache-2.0-Lizenz
01
Import
Bilder / Ordner / vorhandene Datensätze
02
Annotieren
Boxen, Konturen, Klassifizierung, Keypoints
03
Training
Loss- / mAP-Kurven in Echtzeit
04
Evaluierung
Metriken, Konfusionsmatrix, Fehlerbeispiele
05
Vorannotation
Restliche Bilder vom Modell annotieren lassen
06
Bereitstellung
Modell exportieren / Live-Test
Warum Wulabel

Eine ganze Toolchain in einem Fenster

Kein Hin- und Herschieben von Daten zwischen Annotationstool, Trainingsskripten, Evaluierungscode und Exportkonvertierung. Installieren und loslegen – je mehr du annotierst, desto weniger Arbeit.

Komplett offline, deine Daten bleiben auf deinem Rechner

Bilder, Annotationen und Modelle liegen immer in deinem eigenen Ordner: kein Upload, keine offenen Ports, keine Abhängigkeit von Cloud-Diensten. Auch für vertrauliche Daten und interne Netze geeignet. Hilfsfunktionen, die Internet brauchen (z. B. Xuntong AI), sind optional – ohne Aktivierung werden sie nicht genutzt.

Je mehr du annotierst, desto schneller geht es

Nach einer kleinen Menge kannst du trainieren. Das Modell annotiert dann die restlichen Bilder vor, und du korrigierst nur noch Fehler. Je mehr Daten, desto mehr Handarbeit sparst du.

Keine Einrichtung nötig

Trainingsumgebung mit einem Klick installieren: Grafikkarte wird automatisch erkannt, die passende PyTorch-Version gewählt, Mirrors in China für schnelle Downloads sind eingebaut. Kein Ärger mit CUDA und Abhängigkeiten.

Bis zur Bereitstellung vor Ort

Export nach ONNX / OpenVINO, Live-Test mit RTSP-Kameras, Inferenz-Servicepakete, die Streams direkt abrufen und Alarme auslösen. Nicht nur Annotation, sondern bis in den Einsatz.

Datencheck

Findet automatisch winzige Boxen, doppelte Boxen, nahezu doppelte Bilder und unausgewogene Klassen. Mit einem Modell findet es auch vermutlich fehlende und falsche Annotationen. Mit einem Klick beheben und neu trainieren.

Open Source und kostenlos

Apache-2.0-Lizenz, kostenlos für private und kommerzielle Nutzung. Trainiert wird mit YOLOX (Apache-2.0) und torchvision-Modellen (BSD-Lizenz); SAM und OWL für die KI-Unterstützung stehen ebenfalls unter Apache-2.0. Trainierte Modelle kannst du bedenkenlos kommerziell nutzen.

Funktionen

Vom ersten Bild zum lauffähigen Modell

Seit v0.2.0 sind die vier Aufgaben Erkennung, Segmentierung, Klassifizierung und Keypoints sowie KI-unterstützte Annotation, Teamarbeit und die Anbindung an Xuntong AI im Installationspaket enthalten. Läuft unter Windows, macOS und Linux.

Vier Aufgabentypen

Neben Objekterkennung gibt es Instanzsegmentierung (Polygon-Konturen), Bildklassifizierung (ein Tastendruck pro Bild) und Keypoints (bearbeitbare Vorlagen, z. B. Körperhaltung). Jede Aufgabe lässt sich annotieren, trainieren, evaluieren und vorannotieren.

Datenverwaltung

Import von Bildern / Ordnern / per Drag & Drop, Deduplizierung nach Inhalt, automatisch richtig gedreht; Import annotierter YOLO- / COCO- / VOC-Datensätze mit automatischer Formaterkennung; Aufteilung in Training / Validierung / Test, Export mit einem Klick; Frame-Extraktion aus Videos und aus Live- und Wiedergabe-Streams (RTSP, HTTP-FLV, HLS/m3u8, MP4) (laufend gespeichert); Bildqualitätsprüfung; Auswahl der lohnendsten Bilder per Modell.

Annotations-Arbeitsplatz

Boxen zeichnen, auswählen, verschieben, Größe ändern; Klassenwechsel mit 1–9, Rückgängig / Wiederholen, vorheriges Bild kopieren, automatisches Speichern; Prüfen / Überspringen, Vorannotation per Modell (einzeln oder im Batch); Annotation von Polygonen, Klassen und Keypoints; Keyframe-Interpolation und automatisches Vorwärts-Verfolgen in Videoframes.

KI-unterstützte Annotation

SAM Smart-Auswahl: ein Klick ergibt eine Kontur oder eine eng anliegende Box; Text-Prompt: findet Objekte automatisch anhand des Klassennamens; Xuntong AI erkennt nach deinen Klassen und nur das, was du brauchst. Du kannst der KI auch direkt sagen „Helm ohne geschlossenen Kinnriemen zählt als kein Helm“ – sie macht daraus Erkennungsregeln und testet sie sofort.

Datencheck

Regelprüfung auf winzige Boxen, doppelte Boxen, nahezu doppelte Bilder und unausgewogene Klassen; Modellprüfung auf vermutlich fehlende Annotationen, falsche Klassen, ungenaue und überflüssige Boxen. Mit einem Klick als Annotation hinzufügen, ignorieren oder zur Annotationsseite springen, wo das Problem hervorgehoben ist.

Echtzeit-Zusammenarbeit im Team

Dein Computer ist der Host, Mitglieder melden sich im Browser an und annotieren mit, ganz ohne Installation; im LAN oder online. Aufgaben zuweisen, Sperre pro Bild mit Live-Synchronisierung, prüfen und zurückweisen, Online-Status, Statistik zum Arbeitsaufwand (Export für die Abrechnung nach Stückzahl), Wasserzeichen gegen Weitergabe. Ohne Netzwerk geht es auch offline mit Paketen, die du danach zurückführst; Datensätze lassen sich als Versions-Snapshots speichern.

Training

YOLOX aus der YOLO-Familie (Nano / Tiny / S / M / L, offizielle Mosaic- und MixUp-Augmentierung und vortrainierte COCO-Gewichte)v0.3.0; Faster R-CNN (MobileNetV3 / ResNet50) mit Loss- und mAP-Kurven in Echtzeit, Trainingsprotokoll, Abbruch zwischendurch, Verlauf aller Trainingsläufe; einstufige RetinaNet / FCOS / SSDLite, Mask / Keypoint R-CNN, Klassifizierungsmodelle; Datenaugmentierung (Voreinstellungen + Vorschau); Weitertrainieren vorhandener Modelle; Import externer ONNX-Modelle (YOLOv5/v8/v11, YOLOX, RT-DETR usw.); Vergleich von Trainingsläufen.

Evaluierung

mAP50, mAP50-95, Präzision, Recall, Metriken pro Klasse, Konfusionsmatrix; Fehlerbeispiele durchsehen und mit einem Klick zur Korrektur springen; empfohlener Schwellenwert; Fehlalarmtest (mit einem Video ohne Objekte, berechnet Fehlalarme pro Stunde, Fehlalarm-Frames mit einem Klick als Negativbeispiele hinzufügen); Neu-Evaluierung mit aktuellen Daten; Abnahmebericht exportieren.

Bereitstellung

Live-Test mit RTSP-Kamera / lokalem Video, Screenshots zurück in den Datensatz; Export nach ONNX / OpenVINO, Konvertierungspakete für TensorRT / RKNN; Inferenz-Servicepakete (mehrere Streams, Alarmregeln, Webhook- / MQTT-Weiterleitung, HTTP-Schnittstelle, Felddaten-Rückfluss); Upload zur Xuntong AI-Plattform mit einem Klick, Alarmbilder der Plattform zurückholen und annotieren.

Anonymisierung

Beim Export eines Datensatzes oder beim Aufteilen in Pakete werden Gesichter, Kennzeichen und ähnliche Bereiche verpixelt / weichgezeichnet / geschwärzt: nach deinen annotierten Klassen oder per automatischer Suche. Nur die exportierten Kopien werden geändert, die Originale bleiben unverändert.

Neueste Version v0.6.0

Herunterladen und loslegen

Herunterladen, installieren, fertig. Beim ersten Start wirst du durch die Installation der Trainingsumgebung mit einem Klick geführt. Ab v0.2.1 meldet die Software Updates selbst; ab v0.4.1 lädt sie nach einem Klick auf „Jetzt aktualisieren“ automatisch herunter, installiert und startet neu – ganz ohne Handarbeit.

SystemUnterstützte VersionenInstallationspaket
WindowsWindows 10 / 11 (64 Bit).exe-Installationsprogramm
macOSmacOS 11 oder neuer, Apple Silicon und Intel.dmg
Linuxx86_64: Ubuntu 22.04 oder neuer, Debian 12, UOS, Kylin / NeoKylin (x86-Rechner) usw..deb, .AppImage
Linux ARM64Kylin, UOS usw. auf ARM-Rechnern wie Phytium und Kunpeng (ab v0.4.2).deb, .AppImage
Noch nicht unterstütztLoongson, HarmonyOS. Auf HarmonyOS-Geräten kannst du über den Browser an der Team-Annotation teilnehmen—
Training: NVIDIA-Grafikkarte oder Apple Silicon empfohlen, reine CPU geht auch Lizenz Apache-2.0

Erster Start: Meldet Windows „Der Computer wurde durch Windows geschützt“, klicke auf „Weitere Informationen → Trotzdem ausführen“; auf dem Mac in „Programme“ Rechtsklick auf Wulabel → Öffnen; unter Linux installierst du die .deb mit sudo apt install ./dateiname.deb, die .AppImage machst du ausführbar (chmod +x) und startest sie direkt.

Fragen oder Funktionswünsche? Schreib dem Autor eine E-Mail.

Ältere Versionen

Die Änderungen jeder Version findest du unter GitHub Releases.

FAQ

Häufige Fragen

Ist es wirklich komplett kostenlos?

Ja. Die Software steht unter der Open-Source-Lizenz Apache-2.0 und ist für private und kommerzielle Nutzung kostenlos – ohne gesperrte Funktionen, ohne Konto, ohne Online-Prüfung.

Werden meine Bilder und Daten hochgeladen?

Nein. Alle Bilder, Annotationen und trainierten Modelle liegen im Projektordner auf deinem Rechner. Die Software braucht kein Internet und öffnet keine Netzwerkports. Nur wenn du selbst die Trainingsumgebung installierst oder vortrainierte Gewichte und Hilfsmodelle herunterlädst, geht sie online; nur wenn du selbst die KI-Unterstützung „Xuntong AI“ wählst, werden die zu erkennenden Bilder an die Xuntong AI-Plattform gesendet. Außerdem prüft die Software beim Start einmal auf Updates und sendet dabei nur Versionsnummer, Betriebssystemtyp und eine zufällige anonyme ID (um grob zu zählen, wie viele Personen sie nutzen) – keine Bilder, keine persönlichen Daten. Das kannst du in den Einstellungen abschalten.

Kann ich Videos annotieren?

Ja. Importiere lokale Videos und extrahiere Frames in festen Abständen, oder nimm direkt von RTSP-Kameras und Live- / Wiedergabe-Adressen (HTTP-FLV, HLS/m3u8, MP4) auf, die Bilder werden laufend gespeichert. Beim Annotieren kannst du zwischen zwei Keyframes automatisch interpolieren oder ab einem Frame automatisch vorwärts verfolgen, statt jeden Frame einzeln zu zeichnen.

Wie annotieren mehrere Personen gemeinsam?

Mit der Echtzeit-Zusammenarbeit: Dein Computer ist der Host, Mitglieder öffnen die Adresse im Browser, melden sich an und annotieren – ohne Installation. Im selben LAN verbinden sie sich direkt; externe Dienstleister im Internet nutzen deinen eigenen Relay-Server oder das offizielle Xuntong-Relay. Du kannst Aufgaben zuweisen, prüfen und zurückweisen und den Arbeitsaufwand jeder Person auswerten. Ohne Netzwerk teilst du offline in Pakete auf und führst sie nach dem Annotieren wieder zusammen.

Wird mit YOLO trainiert? Mit welcher Version?

Seit v0.3.0 kannst du YOLOX aus der YOLO-Familie trainieren, in fünf Größen: Nano, Tiny, S, M, L. Nano und Tiny eignen sich für CPU und NPU-Edge-Boxen, S bietet die beste Balance aus Geschwindigkeit und Genauigkeit, M und L sind für Rechner mit Grafikkarte, wenn es auf Genauigkeit ankommt. Verwendet werden die offiziellen YOLOX-Augmentierungen wie Mosaic und MixUp und vortrainierte COCO-Gewichte. Trainierte Modelle kannst du evaluieren, zum Vorannotieren nutzen, nach ONNX / OpenVINO / TensorRT / RKNN exportieren oder direkt auf die Xuntong AI-Plattform hochladen.

YOLOv5 / v8 / v11 werden nicht verwendet, weil sie unter AGPL-3.0 stehen, was in kommerziellen Produkten Einschränkungen bringt; YOLOX steht unter Apache-2.0, trainierte Modelle kannst du bedenkenlos kommerziell nutzen. Anderswo trainierte YOLOv5- / v8- / v11-Modelle kannst du als ONNX exportieren und in Wulabel zum Vorannotieren und Evaluieren importieren. Außerdem lassen sich Faster R-CNN, RetinaNet, FCOS, SSDLite, Mask R-CNN und weitere Modelle trainieren.

Geht es ohne Grafikkarte?

Ja. Annotieren, Datencheck und Export brauchen keine Grafikkarte. Training läuft auch auf der reinen CPU, nur langsamer; eine NVIDIA-Grafikkarte wird automatisch genutzt.

Welche Datensatzformate werden unterstützt?

Import und Export unterstützen die drei gängigen Formate YOLO, COCO und VOC; beim Import wird das Format automatisch erkannt. Außerdem YOLO-seg / pose, COCO-Segmentierung / -Keypoints und Klassenordner. Modelle lassen sich nach ONNX exportieren, dazu gibt es Konvertierungen für OpenVINO, TensorRT und RKNN. Anderswo trainierte ONNX-Erkennungsmodelle (YOLOv5/v8/v11, YOLOX, RT-DETR usw.) kannst du zum Vorannotieren und Evaluieren importieren.

Was ist anders als bei Online-Annotationsplattformen?

Wulabel vereint Annotation, Training, Evaluierung, Vorannotation und Bereitstellung in einer Offline-Software. Du musst keine Daten in die Cloud laden und keine Trainingsumgebung selbst aufsetzen. Das Modell, das du mit deinen eigenen Daten trainierst, hilft dir direkt beim Vorannotieren – je länger du es nutzt, desto schneller geht es.

Windows meldet „Der Computer wurde durch Windows geschützt“ oder der Browser warnt vor einem unsicheren Download. Was tun?

Das liegt daran, dass das Installationspaket noch keine Codesignatur hat und bisher wenige Leute es heruntergeladen haben. Windows und Browser erkennen den Herausgeber deshalb nicht – das passiert bei jeder neuen kleinen Software und ist kein Virus. Das Installationspaket gibt es nur auf dieser Website und auf GitHub, der gesamte Quellcode ist öffentlich einsehbar.

Erscheint bei der Installation das blaue Fenster „Der Computer wurde durch Windows geschützt“: Klicke auf Weitere Informationen und dann auf Trotzdem ausführen. Meldet der Browser beim Download „wird nicht häufig heruntergeladen“ oder „könnte schädlich sein“: Klicke in der Downloadliste auf ⋯ → Beibehalten (in Edge danach noch auf „Trotzdem beibehalten“). Blockiert eine Sicherheitssoftware (z. B. 360, Tencent PC Manager) die Datei, wähle Ausführen zulassen oder füge sie zu den vertrauenswürdigen Programmen hinzu.

Welche Systeme werden unterstützt? Laufen Linux, Kylin, UOS und HarmonyOS?

Windows 10 / 11 (64 Bit), macOS 11 oder neuer (Apple Silicon und Intel), seit v0.4.0 auch Linux (x86_64, .deb und .AppImage): Ubuntu 22.04 oder neuer, Debian 12, UOS sowie Kylin / NeoKylin auf x86-Rechnern. Seit v0.4.2 gibt es zusätzlich eine ARM64-Version, mit der auch Kylin und UOS auf Phytium- und Kunpeng-Rechnern laufen. Loongson und HarmonyOS werden noch nicht unterstützt; auf HarmonyOS-Geräten kannst du über den Browser an der Team-Annotation teilnehmen.

Wird macOS unterstützt?

Ja. Seit v0.2.0 gibt es eine Mac-Version (macOS 11 oder neuer, Apple Silicon und Intel); auf Apple Silicon wird beim Training automatisch MPS-Beschleunigung genutzt. Meldet der Mac beim ersten Öffnen, dass der Entwickler nicht verifiziert werden kann, klicke in „Programme“ mit Rechtsklick auf Wulabel → Öffnen. Heißt es, die App sei „beschädigt“, führe im Terminal xattr -cr /Applications/Wulabel.app aus und öffne sie erneut.

Kontakt

Kontakt zu 小物学长

Wulabel wird von 小物学长 entwickelt und gepflegt. Bei Problemen, Wünschen für neue Funktionen oder wenn du über den Praxiseinsatz von KI-Erkennung oder individuelle Modelle sprechen willst, melde dich gern.

E-Mail: 177183719@qq.com (für Fragen zur Nutzung, Funktionsvorschläge und Projektanfragen)

Email

E-Mail

Fragen zur Nutzung, Funktionsideen oder Zusammenarbeit – schreib einfach eine E-Mail. Antwort meist innerhalb von ein, zwei Tagen.

177183719@qq.com
GitHub

GitHub Issues

Fehler und Funktionswünsche kannst du auch als Issue auf GitHub melden – dort kann jeder den Fortschritt verfolgen.

Issue auf GitHub erstellen