Annotation, entraînement, déploiement :
un seul logiciel du début à la fin.
Importez des images et annotez aussitôt, entraînez dès un petit lot annoté, puis laissez votre propre modèle pré-annoter le reste. Évaluation, export et test en direct sur le terrain : tout se fait dans un seul logiciel hors ligne.
Toute une chaîne d'outils dans une seule fenêtre
Fini les allers-retours de données entre outil d'annotation, scripts d'entraînement, code d'évaluation et conversions d'export. Installez et c'est prêt ; plus vous annotez, plus vous gagnez du temps.
Entièrement hors ligne, vos données restent sur votre machine
Images, annotations et modèles restent dans vos propres dossiers : rien n'est envoyé, aucun port n'est ouvert, aucun service cloud n'est nécessaire. Utilisable en toute confiance sur des données confidentielles et des réseaux internes. Les fonctions d'assistance qui nécessitent Internet (comme Xuntong AI) sont facultatives : si vous ne les activez pas, elles ne sont jamais utilisées.
De plus en plus rapide
Lancez l'entraînement dès un petit lot annoté ; le modèle obtenu vous aide ensuite à pré-annoter le reste, et vous n'avez plus qu'à corriger. Plus il y a de données, plus vous économisez de travail manuel.
Aucune configuration
L'environnement d'entraînement s'installe en un clic : GPU détecté automatiquement, bonne version de PyTorch choisie, miroirs en Chine intégrés pour accélérer. Inutile de vous battre avec CUDA et les dépendances.
Jusqu'au déploiement sur le terrain
Export ONNX / OpenVINO, test en direct sur caméra RTSP, génération d'un package de service d'inférence qui lit les flux et envoie les alertes. Pas seulement l'annotation : tout, jusqu'à la mise en production.
Diagnostic des données
Trouve automatiquement les boîtes minuscules, les boîtes en double, les images quasi identiques et le déséquilibre des classes ; avec un modèle, repère aussi les objets peut-être non annotés ou mal annotés. Corrigez en un clic, puis réentraînez.
Open source et gratuit
Licence Apache-2.0, gratuit pour un usage personnel comme commercial. L'entraînement utilise YOLOX (Apache-2.0) et les modèles torchvision (licence BSD) ; SAM et OWL, utilisés pour l'annotation assistée, sont aussi sous Apache-2.0. Les modèles que vous entraînez sont utilisables commercialement sans souci.
D'une image à un modèle opérationnel
Depuis la v0.2.0, les quatre tâches (détection, segmentation, classification, points clés), l'annotation assistée par IA, la collaboration en équipe et l'intégration de Xuntong AI sont toutes incluses dans le package d'installation. Fonctionne sous Windows, macOS et Linux.
Quatre tâches
En plus de la détection d'objets : segmentation d'instances (polygones), classification d'images (une touche par image) et points clés (modèle de points modifiable, posture humaine, etc.). Chaque tâche prend en charge l'annotation, l'entraînement, l'évaluation et la pré-annotation.
Gestion des données
Import d'images / de dossiers / par glisser-déposer, suppression des doublons selon le contenu, redressement automatique de l'orientation ; import de jeux YOLO / COCO / VOC annotés avec détection automatique du format ; découpage entraînement / validation / test et export en un clic ; extraction d'images de vidéos et de flux en direct ou en relecture (RTSP, HTTP-FLV, HLS/m3u8, MP4) (enregistrées au fil de la capture) ; contrôle de qualité des images ; sélection par modèle des images les plus utiles à annoter en premier.
Espace d'annotation
Dessin, sélection, déplacement et redimensionnement des boîtes ; touches 1–9 pour changer de classe, annuler / rétablir, copie de l'image précédente, enregistrement automatique ; vérification / ignorer, pré-annotation par modèle (image par image ou par lot) ; annotation par polygones, classification et points clés ; interpolation d'images clés et suivi automatique vers l'avant pour les images de vidéo.
Annotation assistée par IA
Sélection intelligente SAM : un clic pour obtenir un contour ou une boîte ajustée ; invite textuelle : trouve les objets d'après le nom de classe ; Xuntong AI reconnaît selon vos classes et ne retient que ce que vous cherchez. Vous pouvez même dire directement à l'IA « un casque porté sans la jugulaire attachée compte comme sans casque » : elle en fait une règle de reconnaissance et vous montre le résultat sur-le-champ.
Diagnostic des données
Vérification par règles des boîtes minuscules, boîtes en double, images quasi identiques et déséquilibre des classes ; vérification par modèle des objets peut-être non annotés, classes erronées, boîtes imprécises et boîtes en trop. En un clic : ajouter comme annotation, ignorer, ou passer à la page Annotation avec le problème en surbrillance.
Collaboration en direct
Votre ordinateur sert d'hôte : les membres se connectent depuis leur navigateur pour annoter ensemble, sans rien installer ; en réseau local ou en ligne. Attribution des tâches, verrouillage par image avec synchronisation en direct, vérification et rejet, état en ligne, statistiques de charge de travail (export pour rémunération à la pièce), filigrane contre les fuites. Sans réseau, découpez en packages hors ligne puis réintégrez-les ; le jeu de données peut aussi être enregistré en versions.
Entraîner
YOLOX de la série YOLO (Nano / Tiny / S / M / L, avec les augmentations officielles Mosaic et MixUp et les poids pré-entraînés COCO) v0.3.0 ; Faster R-CNN (MobileNetV3 / ResNet50), courbes loss et mAP en direct, journal d'entraînement, arrêt en cours de route, historique des entraînements ; modèles à une étape RetinaNet / FCOS / SSDLite, Mask / Keypoint R-CNN, modèles de classification ; augmentation de données (préréglages + aperçu) ; poursuite de l'entraînement d'un modèle existant ; import de modèles ONNX externes (YOLOv5/v8/v11, YOLOX, RT-DETR, etc.) ; comparaison des entraînements.
Évaluer
mAP50, mAP50-95, précision, rappel, métriques par classe, matrice de confusion ; parcours des erreurs, avec retour en un clic à l'annotation pour corriger ; seuil recommandé ; test de faux positifs (sur une vidéo sans objet cible, calcul des fausses alertes par heure, images fautives ajoutées en un clic comme échantillons négatifs) ; réévaluation sur les données actuelles ; export d'un rapport de livraison.
Déployer
Test en direct sur caméra RTSP / vidéo locale, captures ajoutées au jeu de données ; export ONNX / OpenVINO, packages de conversion TensorRT / RKNN ; génération d'un package de service d'inférence (plusieurs flux, règles d'alerte, envoi Webhook / MQTT, API HTTP, retour du terrain) ; envoi en un clic vers la plateforme Xuntong AI, dont les images d'alerte peuvent être récupérées pour l'annotation.
Anonymisation
À l'export d'un jeu de données ou au découpage en packages, appliquez une mosaïque, un flou ou un masque noir sur les visages, plaques d'immatriculation et autres zones : selon les classes que vous avez annotées, ou par détection automatique. Seules les copies exportées sont modifiées, les originaux restent intacts.
Téléchargez et lancez-vous
Téléchargez, installez, c'est prêt : au premier lancement, un guide vous propose d'installer l'environnement d'entraînement en un clic. Si vous avez la v0.2.1 ou ultérieure, le logiciel vous proposera la mise à jour ; depuis la v0.4.1, un clic sur « Mettre à jour » suffit : téléchargement, installation et redémarrage automatiques, sans aucune manipulation.
| Système | Versions prises en charge | Package d'installation |
|---|---|---|
| Windows | Windows 10 / 11 (64 bits) | Programme d'installation .exe |
| macOS | macOS 11 ou ultérieur, puces Apple et Intel | .dmg |
| Linux | x86_64 : Ubuntu 22.04 ou ultérieur, Debian 12, UOS, Kylin / NeoKylin (PC x86), etc. | .deb, .AppImage |
| Linux ARM64 | Kylin, UOS, etc. sur ordinateurs ARM comme Phytium et Kunpeng (depuis la v0.4.2) | .deb, .AppImage |
| Pas encore pris en charge | Loongson, HarmonyOS. Sur un appareil HarmonyOS, vous pouvez participer à l'annotation en équipe depuis le navigateur | — |
Premier lancement : si Windows affiche « Windows a protégé votre ordinateur », cliquez sur « Informations complémentaires → Exécuter quand même » ; sur Mac, faites un clic droit sur Wulabel dans « Applications » → Ouvrir ; sous Linux, installez le .deb avec sudo apt install ./nom_du_fichier.deb, ou rendez le .AppImage exécutable (chmod +x) et lancez-le directement.
Une question ou une fonctionnalité à proposer ? Écrivez à l'auteur.
Versions précédentes
- v0.5.2 Windows · Mac · Linux .deb · .AppImage · ARM64 .deb
- v0.5.1 Windows · Mac · Linux .deb · .AppImage · ARM64 .deb
- v0.5.0 Windows · Mac · Linux .deb · .AppImage · ARM64 .deb
- v0.4.2 Windows · Mac · Linux .deb · .AppImage · ARM64 .deb
- v0.4.1 Windows · Mac · Linux .deb · .AppImage
- v0.4.0 Windows · Mac · Linux .deb · .AppImage
- v0.3.0 Windows · Mac
- v0.2.1 Windows · Mac
- v0.2.0 Windows · Mac
- v0.1.0 Windows
Le détail de chaque version se trouve dans les releases GitHub.
Vous vous demandez peut-être
Est-ce vraiment entièrement gratuit ?
Oui. Le logiciel est sous licence open source Apache-2.0, gratuit pour un usage personnel comme commercial, sans fonctions bridées, sans compte et sans vérification en ligne.
Mes images et mes données sont-elles envoyées quelque part ?
Non. Toutes les images, annotations et modèles entraînés restent dans le dossier du projet sur votre machine ; le logiciel n'a pas besoin d'Internet pour fonctionner et n'ouvre aucun port réseau. Il ne se connecte que lorsque vous installez vous-même l'environnement d'entraînement ou téléchargez des poids pré-entraînés et des modèles d'annotation assistée ; et il n'envoie des images à la plateforme Xuntong AI que si vous choisissez vous-même l'annotation assistée « Xuntong AI ». Par ailleurs, au démarrage, le logiciel recherche une fois les mises à jour en envoyant uniquement le numéro de version, le type de système et un identifiant anonyme aléatoire (pour estimer le nombre d'utilisateurs), sans images ni informations personnelles ; vous pouvez désactiver cette vérification dans les paramètres.
Peut-on annoter des vidéos ?
Oui. Importez une vidéo locale et extrayez des images à intervalles réguliers, ou branchez directement une caméra RTSP ou une adresse de direct / relecture (HTTP-FLV, HLS/m3u8, MP4), avec enregistrement au fil de la capture. Pendant l'annotation, vous pouvez interpoler automatiquement entre deux images clés, ou suivre automatiquement les objets à partir d'une image, sans dessiner chaque image.
Comment annoter à plusieurs ?
La collaboration en direct est prise en charge : votre ordinateur sert d'hôte, les membres ouvrent une adresse dans leur navigateur et se connectent pour annoter, sans rien installer. Sur le même réseau local, la connexion est directe ; des sous-traitants sur Internet peuvent passer par votre propre serveur relais ou par le relais officiel Xuntong. Vous pouvez attribuer des tâches, vérifier et rejeter, et suivre la charge de travail de chacun. Sans réseau, vous pouvez aussi découper en packages hors ligne, puis les réintégrer une fois annotés.
L'entraînement utilise-t-il YOLO ? Quelle version ?
Depuis la v0.3.0, vous pouvez entraîner YOLOX de la série YOLO, en cinq tailles : Nano, Tiny, S, M et L. Nano et Tiny conviennent aux CPU et aux boîtiers NPU en périphérie, S offre le meilleur équilibre vitesse / précision, M et L conviennent aux configurations avec GPU qui visent la précision. Avec les augmentations officielles de YOLOX (Mosaic, MixUp, etc.) et les poids pré-entraînés COCO, le modèle entraîné peut être évalué, servir à la pré-annotation, être exporté en ONNX / OpenVINO / TensorRT / RKNN, ou être envoyé directement sur la plateforme Xuntong AI.
YOLOv5 / v8 / v11 ne sont pas utilisés car ils sont sous licence AGPL-3.0, ce qui limite leur usage dans un produit commercial ; YOLOX est sous Apache-2.0, et les modèles entraînés sont utilisables commercialement sans souci. Des modèles YOLOv5 / v8 / v11 entraînés ailleurs peuvent aussi, une fois exportés en ONNX, être importés dans Wulabel pour la pré-annotation et l'évaluation. Vous pouvez aussi entraîner Faster R-CNN, RetinaNet, FCOS, SSDLite, Mask R-CNN, etc.
Peut-on l'utiliser sans GPU ?
Oui. L'annotation, le diagnostic et l'export n'ont pas besoin de GPU. L'entraînement fonctionne aussi sur CPU seul, simplement plus lentement ; un GPU NVIDIA est utilisé automatiquement s'il est présent.
Quels formats de jeux de données sont pris en charge ?
L'import comme l'export prennent en charge les trois formats courants YOLO, COCO et VOC (le format est détecté automatiquement à l'import), ainsi que YOLO-seg / pose, la segmentation / les points clés COCO et les dossiers de classification. Les modèles s'exportent en ONNX, avec conversion vers OpenVINO, TensorRT et RKNN ; vous pouvez aussi importer des modèles de détection ONNX entraînés ailleurs (YOLOv5/v8/v11, YOLOX, RT-DETR, etc.) pour la pré-annotation et l'évaluation.
Quelle différence avec une plateforme d'annotation en ligne ?
Wulabel réunit annotation, entraînement, évaluation, pré-annotation et déploiement dans un seul logiciel hors ligne : pas besoin d'envoyer vos données dans le cloud, ni de monter vous-même un environnement d'entraînement. Le modèle entraîné sur vos propres données revient directement vous aider à pré-annoter : plus vous l'utilisez, plus vous allez vite.
Windows affiche « Windows a protégé votre ordinateur » ou le navigateur signale un risque : que faire ?
C'est parce que le package d'installation n'a pas encore de signature de code et qu'il est encore peu téléchargé : Windows et les navigateurs ne reconnaissent pas l'éditeur. C'est le cas de tous les petits logiciels récemment publiés ; ce n'est pas un virus. Le package se télécharge sur ce site et sur GitHub, et tout le code source est public et vérifiable.
Si la fenêtre bleue « Windows a protégé votre ordinateur » s'affiche à l'installation : cliquez sur Informations complémentaires, puis sur Exécuter quand même. Si le navigateur indique au téléchargement que le fichier « n'est pas fréquemment téléchargé » ou « pourrait être dangereux » : dans la liste des téléchargements, cliquez sur ⋯ → Conserver (dans Edge, cliquez ensuite sur « Conserver quand même »). Si un logiciel de sécurité (360, PC Manager, etc.) le bloque, choisissez Autoriser l'exécution ou ajoutez-le aux éléments de confiance.
Quels systèmes sont pris en charge ? Linux, Kylin, UOS, HarmonyOS ?
Windows 10 / 11 (64 bits), macOS 11 ou ultérieur (puces Apple et Intel), et depuis la v0.4.0 une version Linux (x86_64, .deb et .AppImage), installable sur Ubuntu 22.04 ou ultérieur, Debian 12, UOS et Kylin / NeoKylin sur PC x86 ; depuis la v0.4.2, une version ARM64 fonctionne aussi avec Kylin et UOS sur les ordinateurs Phytium et Kunpeng. Loongson et HarmonyOS ne sont pas encore pris en charge, mais sur un appareil HarmonyOS vous pouvez participer à l'annotation en équipe depuis le navigateur.
macOS est-il pris en charge ?
Oui. Une version Mac existe depuis la v0.2.0 (macOS 11 ou ultérieur, puces Apple et Intel) ; sur puce Apple, l'entraînement utilise automatiquement l'accélération MPS. Si un message indique au premier lancement que le développeur ne peut pas être vérifié, faites un clic droit sur Wulabel dans « Applications » → Ouvrir ; si l'application est signalée comme endommagée, exécutez xattr -cr /Applications/Wulabel.app dans un terminal, puis ouvrez-la.
Contacter 小物学长
Wulabel est développé et maintenu par 小物学长. Un problème, une idée de fonction, ou envie de parler de la mise en œuvre d'un projet de reconnaissance par IA ou d'un modèle sur mesure ? Contactez-moi.
E-mail : 177183719@qq.com (questions d'utilisation, suggestions de fonctions, collaborations : écrivez-moi)
Questions d'utilisation, idées de fonctionnalités ou collaboration : envoyez simplement un e-mail. Réponse en général sous un ou deux jours.
177183719@qq.comGitHub Issues
Vous pouvez aussi signaler un problème ou proposer une fonctionnalité via une issue GitHub, où chacun peut suivre l'avancement.
Ouvrir une issue sur GitHub