Totalmente offline · Código aberto e gratuito · Os dados não saem do seu computador

Anotar, treinar e implantar:
tudo em um só software.

Importe imagens e já comece a anotar. Anote um pequeno lote e já dá para treinar; depois use o modelo que você treinou para pré-anotar o resto. Avaliação, exportação e teste ao vivo em campo, tudo em um único software offline.

Sem internet: os dados ficam sempre no seu computador Ambiente de treinamento com um clique, GPU detectada automaticamente Licença Apache-2.0
01
Importar
Imagens / pastas / conjuntos de dados existentes
02
Anotar
Caixas, contornos, classificação, pontos-chave
03
Treinar
Curvas de loss / mAP em tempo real
04
Avaliar
Métricas, matriz de confusão, erros
05
Pré-anotar
O modelo anota o resto das imagens
06
Implantar
Exportar modelo / teste ao vivo
Por que usar

Toda a cadeia de ferramentas em uma só janela

Nada de ficar levando dados entre ferramenta de anotação, scripts de treinamento, código de avaliação e conversão de exportação. Instale e use; quanto mais você anota, menos trabalho tem.

Totalmente offline, os dados não saem do seu computador

Imagens, anotações e modelos ficam o tempo todo na sua própria pasta: nada é enviado, nenhuma porta é aberta e não há dependência de serviços em nuvem. Dá para usar com tranquilidade em ambientes sigilosos e redes internas. Os recursos auxiliares que usam a internet (como a Xuntong AI) são opcionais: se você não ativar, não são usados.

Quanto mais anota, mais rápido fica

Anote um pequeno lote e já comece a treinar; o modelo treinado ajuda a pré-anotar o resto das imagens, e você só corrige os erros. Quanto mais dados, mais trabalho manual você economiza.

Ambiente sem configuração

Instale o ambiente de treinamento com um clique: a GPU é detectada, a versão certa do PyTorch é escolhida e há espelhos na China para acelerar o download. Sem brigar com CUDA e dependências.

Até a implantação em campo

Exporte para ONNX / OpenVINO, conecte câmeras RTSP para teste ao vivo e gere um pacote de serviço de inferência que já lê streams e dispara alarmes. Não para na anotação: vai até a entrega.

Diagnóstico de dados

Encontra automaticamente caixas minúsculas, caixas duplicadas, imagens quase repetidas e classes desbalanceadas; com um modelo, aponta também possíveis anotações faltando e erradas. Corrija com um clique e treine de novo.

Código aberto e gratuito

Licença Apache-2.0, gratuito para uso pessoal e comercial. O treinamento usa o YOLOX (Apache-2.0) e modelos do torchvision (licença BSD); o SAM e o OWL usados na anotação assistida também são Apache-2.0, então os modelos treinados podem ser usados comercialmente sem preocupação.

Recursos

De uma imagem a um modelo que funciona

Desde a v0.2.0, as quatro tarefas (detecção, segmentação, classificação e pontos-chave), a anotação assistida por IA, a colaboração em equipe e a integração com a Xuntong AI estão todas no instalador. Funciona no Windows, no macOS e no Linux.

Quatro tarefas

Além da detecção de objetos: segmentação de instâncias (contornos poligonais), classificação de imagens (uma tecla por imagem) e pontos-chave (template editável, para pose humana etc.). Toda tarefa pode ser anotada, treinada, avaliada e pré-anotada.

Gestão de dados

Importação de imagens, pastas ou arrastando para a janela, com remoção de duplicatas pelo conteúdo e orientação corrigida automaticamente; importação de YOLO / COCO / VOC com anotações e detecção automática do formato; divisão treino/validação/teste e exportação com um clique; extração de quadros de vídeos e de streams ao vivo ou gravados (RTSP, HTTP-FLV, HLS/m3u8, MP4) (as imagens entram à medida que são capturadas); triagem de qualidade de imagem; o modelo escolhe as imagens que mais valem a pena anotar primeiro.

Bancada de anotação

Desenhar caixas, selecionar, arrastar e redimensionar; atalhos 1–9 para trocar de classe, desfazer e refazer, copiar a imagem anterior, salvamento automático; revisar / ignorar, pré-anotação por modelo (uma imagem ou em lote); anotação de polígonos, classificação e pontos-chave; interpolação de quadros-chave e rastreamento automático adiante em quadros de vídeo.

Anotação assistida por IA

Seleção inteligente com SAM: um clique gera o contorno ou uma caixa justa; prompt de texto: encontra objetos pelo nome da classe; a Xuntong AI reconhece pelas suas classes e só aponta o que você quer. Você ainda pode dizer à IA "capacete sem a jugular afivelada também conta como sem capacete": ela transforma isso em regras de reconhecimento e testa na hora para você ver.

Diagnóstico de dados

Verificação por regras: caixas minúsculas, caixas duplicadas, imagens quase repetidas, classes desbalanceadas; verificação com modelo: possíveis anotações faltando, classe errada, caixa imprecisa, caixas a mais. Adicione como anotação ou ignore com um clique, ou vá para a página Anotar com o problema destacado.

Colaboração em tempo real

Seu computador é o anfitrião e os membros anotam juntos pelo navegador, sem instalar nada; funciona na rede local ou online. Atribuição de tarefas, bloqueio por imagem com sincronização em tempo real, revisão e devolução, status online, estatísticas de produtividade (exportáveis para pagamento por produção) e marca-d'água contra vazamentos. Sem internet, também dá para dividir em pacotes offline e mesclar de volta; e o conjunto de dados pode ter versões (snapshots).

Treinar

YOLOX, da série YOLO (Nano / Tiny / S / M / L, com os aumentos oficiais Mosaic e MixUp e pesos pré-treinados no COCO)v0.3.0; Faster R-CNN (MobileNetV3 / ResNet50), curvas de loss e mAP em tempo real, log de treinamento, parada no meio, histórico de treinamentos; RetinaNet / FCOS / SSDLite de estágio único, Mask / Keypoint R-CNN, modelos de classificação; aumento de dados (predefinições + pré-visualização); continuar treinando a partir de um modelo existente; importação de modelos ONNX externos (YOLOv5/v8/v11, YOLOX, RT-DETR etc.); comparação de treinamentos.

Avaliar

mAP50, mAP50-95, precisão, revocação, métricas por classe, matriz de confusão; navegação pelos erros, com um clique para voltar e corrigir a anotação; limiar recomendado; teste de falsos positivos (rode um vídeo sem objetos, veja os falsos positivos por hora e adicione esses quadros como amostras negativas com um clique); reavaliação com os dados atuais; exportação de relatório de entrega.

Implantar

Teste ao vivo com câmera RTSP / vídeo local, adicionando capturas de volta ao conjunto de dados; exportação para ONNX / OpenVINO e pacotes de conversão TensorRT / RKNN; geração de pacote de serviço de inferência (vários streams, regras de alarme, envio por Webhook / MQTT, API HTTP, retorno do campo); envio com um clique para a plataforma Xuntong AI, e as imagens de alarme da plataforma voltam para ser anotadas.

Anonimização de imagens

Ao exportar o conjunto de dados ou dividir em pacotes, aplique mosaico / desfoque / tarja preta em rostos, placas de veículos e outras áreas: pelas classes que você anotou ou com detecção automática. Só as cópias exportadas mudam; as imagens originais ficam intactas.

Versão mais recente v0.6.0

Baixe e comece a usar

Baixe, instale e use; na primeira vez, o software guia você para instalar o ambiente de treinamento com um clique. Quem tem a v0.2.1 ou posterior recebe o aviso de atualização no próprio software; a partir da v0.4.1, basta clicar em "Atualizar agora" para baixar, instalar e reiniciar automaticamente, sem nenhum passo manual.

SistemaVersões suportadasInstalador
WindowsWindows 10 / 11 (64 bits)Instalador .exe
macOSmacOS 11 ou posterior, universal para Apple Silicon e Intel.dmg
Linuxx86_64: Ubuntu 22.04 ou posterior, Debian 12, UnionTech UOS, Kylin / NeoKylin (computadores x86) etc..deb, .AppImage
Linux ARM64Kylin, UnionTech UOS etc. em computadores ARM como Phytium e Kunpeng (desde a v0.4.2).deb, .AppImage
Ainda não suportadoLoongson, HarmonyOS. Dispositivos HarmonyOS podem participar da anotação em equipe pelo navegador—
Treinamento: recomenda-se GPU NVIDIA ou Apple Silicon; também roda só na CPU Licença Apache-2.0

Primeira abertura: no Windows, se aparecer "O Windows protegeu o computador", clique em "Mais informações → Executar assim mesmo"; no Mac, em "Aplicativos", clique com o botão direito no Wulabel → Abrir; no Linux, instale o .deb com sudo apt install ./nome-do-arquivo.deb ou dê permissão de execução ao .AppImage (chmod +x) e rode direto.

Dúvidas ou sugestões de recursos? Envie um e-mail ao autor.

Versões anteriores

As novidades de cada versão estão nos lançamentos do GitHub.

Perguntas frequentes

Talvez você queira saber

É mesmo totalmente gratuito?

Sim. O software usa a licença de código aberto Apache-2.0: gratuito para uso pessoal e comercial, sem recursos bloqueados, sem conta e sem verificação online.

Minhas imagens e dados são enviados para algum lugar?

Não. Todas as imagens, anotações e modelos treinados ficam na pasta do projeto no seu computador; o software não precisa de internet nem abre portas de rede. Ele só acessa a internet quando você mesmo instala o ambiente de treinamento ou baixa pesos pré-treinados e modelos de anotação assistida; e só envia imagens para a plataforma Xuntong AI quando você escolhe usar a "Xuntong AI" na anotação assistida. Além disso, ao iniciar, o software verifica atualizações uma vez, enviando apenas o número da versão, o tipo de sistema e um identificador anônimo aleatório (para estimar quantas pessoas usam), sem imagens nem dados pessoais; dá para desligar isso nas configurações.

Dá para anotar vídeos?

Sim. Importe vídeos locais extraindo quadros em intervalos, ou conecte direto uma câmera RTSP ou um endereço ao vivo / de gravação (HTTP-FLV, HLS/m3u8, MP4), com as imagens entrando à medida que são capturadas. Na anotação, você pode interpolar automaticamente entre dois quadros-chave ou rastrear adiante a partir de um quadro, sem desenhar quadro a quadro.

E para anotar em equipe?

Há colaboração em tempo real: seu computador é o anfitrião, e os membros abrem o endereço no navegador, entram e anotam, sem instalar nada. Na mesma rede local, a conexão é direta; terceirizados na internet podem passar por um servidor de retransmissão próprio da sua equipe ou pelo retransmissor oficial da Xuntong. Dá para atribuir tarefas, revisar e devolver, e ver a produtividade de cada pessoa. Sem internet, também dá para dividir em pacotes offline e mesclar de volta depois de anotados.

O treinamento usa YOLO? Qual versão?

Desde a v0.3.0 é possível treinar o YOLOX, da série YOLO, em cinco tamanhos: Nano, Tiny, S, M e L. Nano e Tiny servem para CPU e caixas de borda com NPU; o S é o mais equilibrado entre velocidade e precisão; M e L são para quem tem GPU e precisa de precisão. Usa os aumentos de dados oficiais do YOLOX, como Mosaic e MixUp, e pesos pré-treinados no COCO; depois de treinado, dá para avaliar, pré-anotar, exportar para ONNX / OpenVINO / TensorRT / RKNN e enviar direto para a plataforma Xuntong AI.

Não usamos YOLOv5 / v8 / v11 porque eles têm licença AGPL-3.0, que impõe restrições em produtos comerciais; o YOLOX é Apache-2.0, então os modelos treinados podem ser usados comercialmente sem preocupação. Modelos YOLOv5 / v8 / v11 treinados em outro lugar também podem ser exportados para ONNX e importados no Wulabel para pré-anotar e avaliar. Também é possível treinar Faster R-CNN, RetinaNet, FCOS, SSDLite, Mask R-CNN e outros.

Funciona sem GPU?

Sim. Anotação, diagnóstico e exportação não precisam de GPU. O treinamento também roda só na CPU, apenas mais devagar; se houver uma GPU NVIDIA, ela é usada automaticamente.

Quais formatos de conjunto de dados são suportados?

Importação e exportação suportam os três formatos principais, YOLO, COCO e VOC, e o formato é detectado automaticamente na importação; também há YOLO-seg / pose, segmentação / pontos-chave COCO e pastas por classe. Os modelos podem ser exportados para ONNX, com conversão para OpenVINO, TensorRT e RKNN; também dá para importar modelos de detecção ONNX treinados em outro lugar (YOLOv5/v8/v11, YOLOX, RT-DETR etc.) para pré-anotar e avaliar.

Qual a diferença para as plataformas de anotação online?

Ele reúne anotação, treinamento, avaliação, pré-anotação e implantação em um único software offline: não é preciso enviar dados para a nuvem nem montar o ambiente de treinamento por conta própria. O modelo treinado com os seus dados volta para ajudar na pré-anotação, e tudo fica mais rápido com o uso.

O Windows diz "O Windows protegeu o computador" ou o navegador diz que o arquivo não é seguro. O que fazer?

Isso acontece porque o instalador ainda não tem assinatura de código e poucas pessoas o baixaram, então o Windows e o navegador não reconhecem o editor. Acontece com todo software pequeno recém-lançado; não é vírus. O instalador é baixado deste site e do GitHub, e todo o código-fonte é público.

Se durante a instalação aparecer a tela azul "O Windows protegeu o computador": clique em Mais informações e depois em Executar assim mesmo. Se o navegador avisar que o arquivo "não é baixado com frequência" ou "pode ser perigoso": na lista de downloads, clique em ⋯ → Manter (no Edge, clique também em "Manter assim mesmo"). Se um antivírus (como 360 ou Tencent PC Manager) bloquear, escolha Permitir ou adicione o programa à lista de confiança.

Quais sistemas são suportados? Linux, Kylin, UOS e HarmonyOS funcionam?

Windows 10 / 11 (64 bits), macOS 11 ou posterior (universal para Apple Silicon e Intel) e, desde a v0.4.0, Linux (x86_64, .deb e .AppImage): dá para instalar no Ubuntu 22.04 ou posterior, Debian 12, UnionTech UOS e Kylin / NeoKylin em computadores x86. Desde a v0.4.2 há também a versão ARM64, que funciona no Kylin e no UnionTech UOS em computadores Phytium e Kunpeng. Loongson e HarmonyOS ainda não são suportados, mas dispositivos HarmonyOS podem participar da anotação em equipe pelo navegador.

Funciona no macOS?

Sim. Desde a v0.2.0 há versão para Mac (macOS 11 ou posterior, universal para Apple Silicon e Intel), e no Apple Silicon o treinamento usa aceleração MPS automaticamente. Se na primeira abertura aparecer que não é possível verificar o desenvolvedor, em "Aplicativos" clique com o botão direito no Wulabel → Abrir; se disser que o app "está danificado", rode xattr -cr /Applications/Wulabel.app no Terminal e abra de novo.

Fale com o autor

Fale com 小物学长

O Wulabel é desenvolvido e mantido por 小物学长. Se tiver problemas, quiser recursos novos ou quiser conversar sobre como levar projetos de reconhecimento por IA para produção ou sobre modelos personalizados, fale comigo.

E-mail: 177183719@qq.com (dúvidas de uso, sugestões de recursos e parcerias, tudo por e-mail)

Email

E-mail

Dúvidas de uso, sugestões de recursos ou parcerias: é só mandar um e-mail. Normalmente respondemos em um ou dois dias.

177183719@qq.com
GitHub

GitHub Issues

Você também pode relatar problemas e sugerir recursos abrindo uma issue no GitHub, onde todos acompanham o andamento.

Abrir uma issue no GitHub