一、工具简介
X-AnyLabeling是一款开源、轻量化、支持 AI 自动辅助标注的计算机视觉标注工具。基于 AnyLabeling 二次开发，内置YOLO / SAM / 关键点 / 分割等模型，支持目标检测、语义分割、实例分割、关键点标注，完美替代 LabelImg、LabelMe，是目前性价比最高的 CV 数据标注工具。
优势亮点：
✅ 支持全自动 AI 辅助标注，大幅提升标注效率
✅ 三种安装方式：免环境包 / Pip 安装 / 源码部署
✅ 支持主流数据集格式：COCO、VOC、YOLO、JSON、MASK 等
✅ 开源免费、无水印、无标注数量限制
二、安装方式总览（按需选择）
安装方式 | 适用人群 | 优点 | 缺点 |
|---|---|---|---|
预编译包（EXE/DMG/AppImage） | 新手、快速使用、不想配环境 | 零配置、开箱即用、不污染本地环境 | 版本更新略慢，无法二次开发 |
Pip 一键安装 | 日常使用、需要快速更新版本 | 命令简洁、轻量、支持 CPU/GPU 切换 | 需要基础 Python 环境 |
源码安装 | 开发者、二次开发、自定义功能 | 可改源码、可本地打包、功能最全 | 部署步骤稍多 |
三、方式一：预编译包安装（新手首选）
核心特点：无需 Python、无需依赖、解压即开
1. 下载地址
官方 Releases 发布页：Releases · CVHub520/X-AnyLabeling · GitHub
2. 各系统安装运行
Windows
下载：X-AnyLabeling-xxx-win64.zip
操作：解压压缩包，双击X-AnyLabeling.exe直接启动
macOS
下载：X-AnyLabeling-xxx-mac.dmg
操作：挂载镜像，将软件拖入应用程序文件夹，打开即可
Linux
下载：X-AnyLabeling-xxx-linux.AppImage
授权并运行：
chmod +x X-AnyLabeling-xxx-linux.AppImage ./X-AnyLabeling-xxx-linux.AppImage
注意：首次启动会自动下载 YOLO 预训练模型，请保持网络通畅；国内下载慢可手动下载离线模型放入本地 models 目录。
四、方式二：Pip 一键安装（轻量化推荐）
1. 环境要求
Python：3.10 ~ 3.12（推荐 3.10）
推荐使用 Conda 虚拟环境隔离依赖
2. 新建虚拟环境（可选但推荐）
# 创建环境 conda create -n xanylabel python=3.10 -y # 激活环境 conda activate xanylabel
3. 安装命令
CPU 通用版（全平台通用）
pip install x-anylabeling-cvhub[cpu] -i https://pypi.tuna.tsinghua.edu.cn/simple
GPU 加速版（NVIDIA 显卡）
# CUDA 12.x 新版显卡 pip install x-anylabeling-cvhub[gpu] # CUDA 11.x 旧版显卡 pip install x-anylabeling-cvhub[gpu-cu11]
4. 启动软件
xanylabeling
五、方式三：源码安装（开发者/二次开发首选）
1. 克隆源码
git clone https://github.com/CVHub520/X-AnyLabeling.git cd X-AnyLabeling
2. 配置虚拟环境
conda create -n xanylabel-dev python=3.10 -y conda activate xanylabel-dev
3. 安装对应依赖
依赖文件 | 适用场景 |
|---|---|
requirements.txt | Windows/Linux CPU 日常运行 |
requirements-dev.txt | CPU 环境 + 支持打包 EXE |
requirements-gpu.txt | GPU 运行环境 |
requirements-gpu-dev.txt | GPU 环境 + 打包功能 |
requirements-macos.txt | macOS 专属环境（仅CPU） |
安装示例（普通CPU运行）：
pip install -r requirements.txt
4. 源码启动
# 方式1 python anylabeling/app.py # 方式2（全局命令） xanylabeling
六、常见报错与解决方案
1. Linux 启动报错：缺少 xcb 依赖
sudo apt install libxcb-xinerama0 libxcb-cursor0
2. 启动后 AI 模型下载缓慢/失败
解决方案：手动下载官方预训练 ONNX 模型，放置软件
models目录修改配置文件替换国内镜像源，加速下载
3. GPU 不生效、依旧使用 CPU 推理
xanylabeling checks
核对 CUDA、onnxruntime 版本匹配，重新安装对应 GPU 版本依赖。
4. macOS 闪退问题
macOS 仅支持 CPU 运行，必须安装专属依赖：
pip install -r requirements-macos.txt
七、总结推荐
普通用户/快速标注：优先选择预编译包，零配置开箱即用
Python 用户/需要更新迭代：选择Pip 安装，简洁轻便
二次开发/自定义功能/本地打包：选择源码安装，功能最全
工具地址：GitHub - CVHub520/X-AnyLabeling: Effortless data labeling with AI support from Segment Anything and other awesome models. · GitHub