Anotasi, pelatihan, deploy,
semua dalam satu aplikasi.
Impor gambar dan langsung mulai menganotasi. Anotasi sebagian kecil lalu latih, kemudian gunakan model Anda sendiri untuk pra-anotasi sisanya. Evaluasi, ekspor, hingga uji langsung di lapangan, semuanya dalam satu aplikasi offline.
Seluruh rangkaian alat dalam satu jendela
Tidak perlu memindahkan data bolak-balik antara alat anotasi, skrip pelatihan, kode evaluasi, dan konversi ekspor. Langsung pakai setelah dipasang, dan makin banyak dianotasi makin hemat tenaga.
Sepenuhnya offline, data tidak keluar dari komputer
Gambar, anotasi, dan model selalu tersimpan di folder Anda sendiri: tidak diunggah, tidak membuka port, tidak bergantung pada layanan cloud apa pun. Aman juga untuk lingkungan rahasia dan jaringan internal. Fitur pendukung yang butuh internet (seperti Xuntong AI) semuanya opsional; jika tidak dinyalakan, tidak akan dipakai.
Makin dianotasi, makin cepat
Anotasi sebagian kecil dan langsung mulai melatih; model hasil pelatihan lalu membantu pra-anotasi sisa gambar, dan Anda cukup memperbaiki kesalahannya. Makin banyak data, makin banyak pekerjaan manual yang dihemat.
Lingkungan tanpa konfigurasi
Instal lingkungan pelatihan sekali klik: GPU terdeteksi otomatis, versi PyTorch yang tepat dipilih, dan mirror Tiongkok bawaan mempercepat unduhan. Tidak perlu repot mengurus CUDA dan dependensi sendiri.
Sampai deploy di lapangan
Ekspor ONNX / OpenVINO, uji langsung dengan kamera RTSP, dan buat paket layanan inferensi yang langsung bisa menarik stream dan mengirim alarm. Bukan hanya anotasi, tetapi sampai benar-benar dipakai.
Cek data
Otomatis menemukan kotak sangat kecil, kotak duplikat, gambar yang hampir duplikat, dan ketidakseimbangan kelas; model juga bisa menemukan kemungkinan objek terlewat dan salah label. Perbaiki sekali klik, lalu latih lagi.
Open source dan gratis
Lisensi Apache-2.0, gratis untuk pribadi maupun komersial. Pelatihan memakai YOLOX (Apache-2.0) dan model torchvision (lisensi BSD); SAM dan OWL untuk anotasi berbantuan juga Apache-2.0, sehingga model hasil pelatihan aman dipakai secara komersial.
Dari satu gambar hingga model yang siap jalan
Mulai v0.2.0, empat jenis tugas (deteksi, segmentasi, klasifikasi, keypoint), anotasi berbantuan AI, kolaborasi tim, dan integrasi Xuntong AI semuanya sudah ada di paket instalasi. Bisa dipakai di Windows, macOS, dan Linux.
Empat jenis tugas
Selain deteksi objek, kini ada segmentasi instans (kontur poligon), klasifikasi gambar (satu tombol satu gambar), dan keypoint (templat bisa diedit, misalnya untuk postur tubuh). Setiap tugas mendukung anotasi, pelatihan, evaluasi, dan pra-anotasi.
Manajemen data
Impor gambar / folder / seret-lepas, deduplikasi berdasarkan isi, orientasi diluruskan otomatis; impor YOLO / COCO / VOC beranotasi dengan deteksi format otomatis; bagi latih/validasi/uji, ekspor sekali klik; ekstrak frame dari video serta dari stream siaran langsung / rekaman (RTSP, HTTP-FLV, HLS/m3u8, MP4) (disimpan sambil direkam); penyaringan kualitas gambar; model memilih gambar yang paling layak dianotasi lebih dulu.
Meja kerja anotasi
Gambar kotak, pilih, seret, ubah ukuran; pintasan 1–9 untuk ganti kelas, urungkan dan ulangi, salin gambar sebelumnya, simpan otomatis; tinjau / lewati, pra-anotasi model (satu gambar atau massal); anotasi poligon, klasifikasi, dan keypoint; interpolasi keyframe dan pelacakan otomatis ke depan untuk frame video.
Anotasi berbantuan AI
Pilih cerdas SAM: sekali klik untuk kontur atau kotak yang pas di tepi objek; prompt teks: otomatis mencari objek berdasarkan nama kelas; Xuntong AI mengenali sesuai kelas Anda, hanya hal yang Anda butuhkan. Anda juga bisa langsung mengobrol dengan AI, misalnya "memakai helm tetapi tali tidak dikaitkan tetap dihitung tidak memakai helm"; AI menyusunnya menjadi aturan pengenalan dan langsung mencobanya untuk Anda.
Cek data
Pemeriksaan aturan untuk kotak sangat kecil, kotak duplikat, gambar hampir duplikat, dan ketidakseimbangan kelas; pemeriksaan model untuk kemungkinan objek terlewat, salah kelas, kotak tidak akurat, dan kotak berlebih. Sekali klik untuk menambahkan sebagai anotasi, mengabaikan, atau melompat ke halaman Anotasi dengan masalah disorot.
Kolaborasi tim langsung
Komputer Anda menjadi host; anggota cukup masuk lewat browser untuk menganotasi bersama, tanpa memasang aplikasi, lewat LAN maupun online. Penugasan pekerjaan, kunci per gambar dengan sinkronisasi langsung, tinjau dan kembalikan, status online, statistik beban kerja (ekspor untuk pembayaran per gambar), watermark anti-kebocoran. Tanpa jaringan pun bisa membagi paket offline lalu menggabungkannya kembali; dataset juga bisa disimpan sebagai snapshot versi.
Pelatihan
YOLOX dari seri YOLO (Nano / Tiny / S / M / L, dengan augmentasi resmi Mosaic dan MixUp serta bobot pralatih COCO)v0.3.0; Faster R-CNN (MobileNetV3 / ResNet50) dengan kurva loss dan mAP real-time, log pelatihan, berhenti di tengah jalan, riwayat pelatihan; RetinaNet / FCOS / SSDLite satu tahap, Mask / Keypoint R-CNN, model klasifikasi; augmentasi data (preset + pratinjau); lanjutkan pelatihan dari model yang ada; impor model ONNX eksternal (YOLOv5/v8/v11, YOLOX, RT-DETR, dll.); perbandingan pelatihan.
Evaluasi
mAP50, mAP50-95, presisi, recall, metrik per kelas, matriks konfusi; jelajahi contoh kesalahan dan klik untuk langsung kembali memperbaiki anotasi; saran ambang; uji positif palsu (jalankan video tanpa objek, hitung positif palsu per jam, tambahkan frame positif palsu sebagai sampel negatif sekali klik); evaluasi ulang dengan data saat ini; ekspor laporan serah terima.
Deploy
Uji langsung dengan kamera RTSP / video lokal, tambahkan tangkapan ke dataset; ekspor ONNX / OpenVINO, paket konversi TensorRT / RKNN; buat paket layanan inferensi (multi-stream, aturan alarm, pengiriman Webhook / MQTT, API HTTP, data balik dari lapangan); unggah ke platform Xuntong AI sekali klik, lalu ambil kembali gambar alarm dari platform untuk dianotasi.
Anonimisasi privasi
Saat mengekspor dataset atau membagi paket, beri mosaik / blur / hitamkan area seperti wajah dan pelat nomor: berdasarkan kelas yang Anda anotasi, atau dengan deteksi otomatis. Hanya salinan yang diekspor yang diubah; gambar asli tidak disentuh.
Unduh dan mulai pakai
Unduh, instal, dan langsung pakai; saat pertama dibuka, Anda dipandu menginstal lingkungan pelatihan sekali klik. Jika Anda memakai v0.2.1 atau yang lebih baru, aplikasi akan menawarkan pembaruan; mulai v0.4.1, setelah klik "Perbarui sekarang" aplikasi otomatis mengunduh, memasang, dan memulai ulang tanpa langkah manual.
| Sistem | Versi yang didukung | Paket instalasi |
|---|---|---|
| Windows | Windows 10 / 11 (64-bit) | Installer .exe |
| macOS | macOS 11 ke atas, universal untuk Apple Silicon dan Intel | .dmg |
| Linux | x86_64: Ubuntu 22.04 ke atas, Debian 12, UOS, Kylin / NeoKylin (komputer x86), dan lainnya | .deb, .AppImage |
| Linux ARM64 | Kylin, UOS, dan lainnya di komputer ARM seperti Phytium dan Kunpeng (mulai v0.4.2) | .deb, .AppImage |
| Belum didukung | Loongson, HarmonyOS. Perangkat HarmonyOS bisa ikut anotasi kolaborasi tim lewat browser | — |
Saat pertama dibuka: jika Windows menampilkan "Windows protected your PC", klik "More info → Run anyway"; di Mac, klik kanan Wulabel di "Applications" → Open; di Linux, pasang .deb dengan sudo apt install ./nama-file.deb, sedangkan .AppImage cukup diberi izin eksekusi (chmod +x) lalu dijalankan langsung.
Ada pertanyaan atau ingin fitur baru? Kirim email ke penulis.
Versi sebelumnya
- 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
Catatan perubahan setiap versi ada di Rilis GitHub.
Pertanyaan yang mungkin Anda ajukan
Benarkah sepenuhnya gratis?
Ya. Aplikasi ini memakai lisensi open source Apache-2.0, gratis untuk pemakaian pribadi maupun komersial, tanpa fitur terkunci, tanpa akun, dan tanpa verifikasi online.
Apakah gambar dan data saya diunggah?
Tidak. Semua gambar, anotasi, dan model hasil pelatihan tersimpan di folder proyek di komputer Anda; aplikasi tidak butuh internet untuk berjalan dan tidak membuka port jaringan. Aplikasi hanya terhubung ke internet saat Anda sendiri menginstal lingkungan pelatihan, atau mengunduh bobot pralatih dan model anotasi berbantuan; gambar yang akan dikenali hanya dikirim ke platform Xuntong AI jika Anda sendiri memilih anotasi berbantuan "Xuntong AI". Selain itu, saat dibuka aplikasi memeriksa pembaruan sekali dan hanya mengirim nomor versi, jenis sistem, dan ID anonim acak (untuk memperkirakan jumlah pengguna), tanpa gambar dan informasi pribadi; ini bisa dimatikan di Pengaturan.
Bisakah menganotasi video?
Bisa. Impor video lokal dan ekstrak frame dengan interval tertentu, atau langsung hubungkan kamera RTSP atau alamat siaran langsung / rekaman (HTTP-FLV, HLS/m3u8, MP4) dan simpan sambil merekam. Saat menganotasi, frame di antara dua keyframe bisa diinterpolasi otomatis, atau objek dilacak otomatis ke frame berikutnya, jadi tidak perlu menggambar frame demi frame.
Bagaimana jika beberapa orang menganotasi bersama?
Kolaborasi langsung didukung: komputer Anda menjadi host, anggota membuka alamat di browser dan masuk untuk menganotasi, tanpa memasang aplikasi. Dalam LAN yang sama langsung terhubung; tim outsourcing di internet luar bisa lewat server relay milik Anda sendiri, atau relay resmi Xuntong. Anda bisa menugaskan pekerjaan, meninjau dan mengembalikan, serta menghitung beban kerja tiap orang. Tanpa jaringan pun bisa membagi paket offline, lalu menggabungkannya kembali setelah selesai.
Apakah pelatihannya memakai YOLO? YOLO versi berapa?
Mulai v0.3.0 Anda bisa melatih YOLOX dari seri YOLO, dengan lima ukuran: Nano, Tiny, S, M, L. Nano dan Tiny cocok untuk CPU dan kotak edge NPU, S paling seimbang antara kecepatan dan akurasi, M dan L cocok jika ada GPU dan butuh akurasi. Memakai augmentasi data resmi YOLOX seperti Mosaic dan MixUp serta bobot pralatih COCO; setelah dilatih, model bisa dievaluasi, dipakai untuk pra-anotasi, diekspor ke ONNX / OpenVINO / TensorRT / RKNN, dan juga langsung diunggah ke platform Xuntong AI.
YOLOv5 / v8 / v11 tidak dipakai karena berlisensi AGPL-3.0, yang membatasi pemakaian di produk komersial; YOLOX berlisensi Apache-2.0, sehingga model hasil pelatihan aman dipakai secara komersial. Model YOLOv5 / v8 / v11 yang dilatih di tempat lain juga bisa diekspor ke ONNX lalu diimpor ke Wulabel untuk pra-anotasi dan evaluasi. Selain itu, Anda juga bisa melatih Faster R-CNN, RetinaNet, FCOS, SSDLite, Mask R-CNN, dan model lainnya.
Bisakah dipakai tanpa GPU?
Bisa. Anotasi, cek data, dan ekspor tidak membutuhkan GPU. Pelatihan juga bisa berjalan di CPU saja, hanya lebih lambat; jika ada GPU NVIDIA, otomatis dipakai.
Format dataset apa saja yang didukung?
Impor dan ekspor mendukung tiga format utama: YOLO, COCO, VOC, dan formatnya dikenali otomatis saat impor; juga mendukung YOLO-seg / pose, segmentasi / keypoint COCO, dan folder klasifikasi. Model bisa diekspor ke ONNX, dengan konversi untuk OpenVINO, TensorRT, RKNN; model deteksi ONNX yang dilatih di tempat lain (YOLOv5/v8/v11, YOLOX, RT-DETR, dll.) juga bisa diimpor untuk pra-anotasi dan evaluasi.
Apa bedanya dengan platform anotasi online?
Wulabel menyatukan anotasi, pelatihan, evaluasi, pra-anotasi, dan deploy dalam satu aplikasi offline: data tidak perlu diunggah ke cloud, dan Anda tidak perlu menyiapkan lingkungan pelatihan sendiri. Model yang Anda latih dengan data sendiri langsung membantu pra-anotasi, jadi makin dipakai makin cepat.
Windows menampilkan "Windows protected your PC" atau browser memperingatkan file tidak aman, apa yang harus dilakukan?
Ini karena paket instalasi belum ditandatangani dengan sertifikat kode dan belum banyak diunduh, sehingga Windows dan browser belum mengenali penerbitnya. Semua aplikasi kecil yang baru dirilis mengalami hal ini; ini bukan virus. Paket instalasi diunduh dari situs ini dan GitHub, dan seluruh kode sumbernya terbuka untuk diperiksa.
Jika saat instalasi muncul jendela biru "Windows protected your PC": klik More info, lalu klik Run anyway. Jika browser memperingatkan file "jarang diunduh" atau "mungkin berbahaya": di daftar unduhan klik ⋯ → Keep (di Edge klik juga "Keep anyway"). Jika aplikasi keamanan (antivirus) memblokirnya, pilih izinkan dijalankan atau tambahkan ke daftar tepercaya.
Sistem apa saja yang didukung? Apakah Linux, Kylin, UOS, dan HarmonyOS bisa dipakai?
Windows 10 / 11 (64-bit), macOS 11 ke atas (universal untuk Apple Silicon dan Intel), dan mulai v0.4.0 juga ada versi Linux (x86_64, .deb dan .AppImage) yang bisa dipasang di Ubuntu 22.04 ke atas, Debian 12, UOS, serta Kylin / NeoKylin di komputer x86; mulai v0.4.2 juga ada versi ARM64 untuk Kylin dan UOS di komputer Phytium dan Kunpeng. Loongson dan HarmonyOS belum didukung, tetapi perangkat HarmonyOS bisa ikut anotasi kolaborasi tim lewat browser.
Apakah macOS didukung?
Ya. Mulai v0.2.0 tersedia versi Mac (macOS 11 ke atas, universal untuk Apple Silicon dan Intel), dan Apple Silicon otomatis memakai akselerasi MPS saat pelatihan. Jika saat pertama dibuka muncul pesan bahwa pengembang tidak dapat diverifikasi, klik kanan Wulabel di "Applications" → Open; jika muncul pesan "rusak" (damaged), jalankan xattr -cr /Applications/Wulabel.app di terminal lalu buka lagi.
Hubungi 小物学长
Wulabel dikembangkan dan dikelola oleh 小物学长. Ada masalah, ingin fitur baru, atau ingin berdiskusi tentang penerapan proyek pengenalan AI dan model kustom? Silakan hubungi saya.
Email: 177183719@qq.com (pertanyaan pemakaian, saran fitur, dan kerja sama proyek bisa dikirim lewat email)
Pertanyaan penggunaan, usulan fitur, atau kerja sama proyek—kirim saja email. Biasanya kami membalas dalam satu atau dua hari.
177183719@qq.comGitHub Issues
Anda juga bisa melaporkan masalah dan mengusulkan fitur lewat issue di GitHub, dan semua orang bisa melihat perkembangannya.
Buat issue di GitHub