本文以「暹罗猫」目标检测任务为例，介绍如何使用 X-AnyLabeling 完成图像数据集的 手动标注 与 AI 自动标注，并导出为主流训练框架所需的 YOLO 或 Pascal VOC 格式。

---

目录

• 一、手动标注暹罗猫
• 二、AI 自动标注暹罗猫
• 三、常见问题与建议

---

一、手动标注暹罗猫

1. 打开待标注的图片文件夹

启动 X-AnyLabeling 后，点击左侧菜单 「Open Dir」，选择需要标注的图片所在文件夹，软件会自动加载文件夹下的全部图片。

图 1-1　打开待标注的图片文件夹

---

2. 使用快捷键进行框选标注

X-AnyLabeling 提供了丰富的快捷键，常用的有：

功能	快捷键
上一张图片	A
下一张图片	D
矩形框标注	R
多边形标注	P
旋转框标注	O
四边形标注	T
打开设置	Ctrl + 0

操作流程：

1. 按下 R 进入 矩形框标注 模式；
2. 用鼠标拖拽框选出猫的身体区域，并填写类别名称（如 cat）；
3. 按 D 切换到下一张图片，重复以上步骤。
   

图 1-2　使用矩形框标注暹罗猫

---

3. 准备类别文件 classes.txt（关键步骤 ⚠️）

在导出 YOLO 或 VOC 格式之前，务必先准备一个 classes.txt 文件：

• 每行写入一个类别名称；
• 顺序必须与标注时使用的类别顺序完全一致，否则导出的标签索引会错乱；
• 该文件在导出时会被引用，也可以提前导入到软件中。

本示例中类别只有 猫 和 cat，因此 classes.txt 内容如下：

猫
cat

💡 提示：建议英文类别名优先，避免训练框架在读取中文时出现编码问题。

---

4. 导出标注结果

X-AnyLabeling 支持导出主流标注格式，常用的两种结构如下：

📁 Pascal VOC 格式（.xml）

📦 my_dataset
├── 📁 images
│   ├── 0.jpg
│   ├── 1.jpg
│   └── ...
├── 📁 xml
│   ├── 0.xml
│   ├── 1.xml
│   └── ...
└── labels.txt（可选）

📁 YOLO 格式（.txt）

📦 dataset
├── 📁 images
│   ├── 📁 train
│   │   ├── image1.jpg
│   │   ├── image2.jpg
│   │   └── ...
│   └── 📁 val
│       ├── image3.jpg
│       ├── image4.jpg
│       └── ...
├── 📁 labels
│   ├── 📁 train
│   │   ├── image1.txt
│   │   ├── image2.txt
│   │   └── ...
│   └── 📁 val
│       ├── image3.txt
│       ├── image4.txt
│       └── ...
└── data.yaml

导出操作步骤

Step 1. 点击菜单栏的 「Export」，选择 YOLO 格式，并加载刚刚准备好的 classes.txt 文件：

图 1-3　选择 YOLO 格式并加载 classes.txt

Step 2. 选择导出目录，点击 「确认」：

图 1-4　选择导出文件夹

Step 3. 导出成功后，目标文件夹下将生成与图片同名的 .txt 标注文件，每个文件中保存了 YOLO 训练所需的标签信息（类别索引 + 归一化坐标）：

图 1-5　导出成功的 YOLO 标注文件

✅ 至此，手动标注流程全部完成，可以将该数据集直接用于 YOLO 系列模型的训练。

---

二、AI 自动标注暹罗猫

对于数据量较大的场景，手动标注效率较低。X-AnyLabeling 集成了多种预训练模型，支持 一键 AI 自动标注，可极大地提升效率。

1. 下载 AI 模型

点击工具栏中的 「AI」 按钮，在模型列表中选择 YOLOv9c，点击下载并等待加载完成：

图 2-1　下载 YOLOv9c 预训练模型

---

2. 运行自动标注

模型加载完成后，点击 「Run (i)」 按钮，软件会自动对当前图片进行推理并生成标注框，效果如下：

图 2-2　AI 自动标注结果

💡 建议：AI 自动标注的结果可能存在误检或漏检，建议在自动标注完成后人工复核与微调，以确保数据集质量。

---

三、常见问题与建议

1. 类别顺序错乱：导出后训练时类别错位，多数是因为 classes.txt 顺序与标注顺序不一致，请务必核对。
2. 中文类别问题：部分训练框架（如官方 YOLO）对中文支持较弱，推荐使用英文类别名（例如 cat）。
3. 批量自动标注：如需对整个文件夹批量自动推理，可在 AI 模型设置中开启「Run All Images」选项。
4. 数据划分：导出 YOLO 数据集后，建议按 8 : 1 : 1 的比例划分 train / val / test，并维护好 data.yaml。
5. 备份原始标注：建议保留 X-AnyLabeling 默认生成的 .json 标注文件，方便后续重新导出为其他格式。

---

📌 结语：X-AnyLabeling 同时兼具 手动标注的精准性 和 AI 标注的高效性，是构建高质量目标检测数据集的优秀工具。结合 AI 预标注 + 人工复核的工作流，可以显著降低数据标注成本。