云标注

重要提示：由于不可预见的情况，云标注的托管版本（cloud.annotations.ai）已不再可用。

如果您需要类似的托管体验，但更专注于教育和学习，请参阅 计算机视觉学习工作室。

如需了解如何使用本地文件系统运行云标注，请参阅实验性的 Iris 项目。

Cloud Annotations 快速上手指南

重要提示：由于不可预见的情况，Cloud Annotations 的托管版本 (cloud.annotations.ai) 已停止服务。

• 如需类似的教育/学习体验，请访问 Computer Vision Learning Studio。
• 如需在本地文件系统运行，请参考实验性的 Iris 项目。

以下指南基于官方推荐的本地部署方案（Iris 项目）整理。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows (需安装 WSL2)
• 核心依赖：
  • Docker (推荐 v20.10+)
  • Docker Compose (通常随 Docker Desktop 一起安装)
• 硬件建议：至少 4GB 可用内存，建议使用 SSD 存储以提升图像加载速度。
• 网络加速：国内用户拉取 Docker 镜像时，建议配置 Docker 镜像加速器（如阿里云、腾讯云或网易云镜像源），以避免下载超时。

安装步骤

我们将通过克隆 Iris 项目并使用 Docker Compose 进行本地部署。

1. 克隆项目仓库 打开终端，执行以下命令获取源代码：

   git clone -b v2 https://github.com/cloud-annotations/iris.git
   cd iris
   

2. 启动服务 在项目根目录下，使用 Docker Compose 启动所有必要服务（包括数据库、后端和前端）：

   docker-compose up -d
   

   注：首次运行会自动下载相关镜像，国内用户若未配置加速器可能需要等待较长时间。

3. 验证安装 等待约 1-2 分钟让服务完全初始化。在浏览器中访问：

   http://localhost:3000
   

   如果看到登录或注册界面，即表示安装成功。

基本使用

以下是创建一个简单物体检测项目的最小化流程：

1. 创建账户 在首页点击 "Sign Up" 注册一个本地管理员账户（数据仅存储在本地数据库中）。

2. 新建项目

   • 登录后，点击 "Create Project"。
   • 输入项目名称（例如：my-first-project）。
   • 选择任务类型：Object Detection (物体检测) 或 Image Classification (图像分类)。
   • 点击 "Create"。

3. 上传数据

   • 进入项目详情页，点击 "Upload Images"。
   • 支持拖拽上传本地图片文件夹，或直接选择多个图片文件。
   • 等待上传进度条完成。

4. 标注图像

   • 在图像列表中点击任意一张图片进入标注界面。
   • 物体检测：使用鼠标框选目标物体，并在右侧面板输入标签名称（如 cat, car）。
   • 图像分类：直接在右侧面板勾选对应的分类标签。
   • 点击 "Save" 保存当前标注，或使用快捷键 S 保存并跳转到下一张。

5. 导出数据

   • 完成标注后，进入 "Export" 选项卡。
   • 选择所需的格式（如 YOLO, Pascal VOC, COCO, TensorFlow Records 等）。
   • 点击 "Download" 即可获取包含图片和标注文件的压缩包，用于后续模型训练。