lost
LOST 是一款开源的在线图像标注平台，名字里的“Label Objects and Save Time”已经点明主旨：帮你在浏览器里快速、协作地完成图片打标签。它自带画框、画多边形、打点、画线等常用标注界面，也支持一次性给整组图片打标签，并能把结果一键导出成训练集。
最贴心的是，LOST 把“半自动”做成标配：你可以接入自己的 AI 模型，让它先生成候选框，再由人工快速确认或微调，标注效率瞬间翻倍。
如果你不想写代码，直接选一条现成的流水线就能开工；如果想深度定制，也能把不同标注工具、算法、外部存储（S3、Azure Blob 等）自由串成自己的工作流，并通过 Docker 在本地或云端一键部署。
因此，无论是需要大量训练数据的 AI 研究员、做数据标注外包的团队，还是只想给相册图片分类的普通用户，都能在 LOST 里找到适合自己的方式。
使用场景
一家做智慧农业的初创公司，需要在 2 周内为 5 万张无人机拍摄的稻田图像标注稻穗、杂草、虫害三类目标，以训练病虫害检测模型。
没有 lost 时
- 3 名标注员各自用 LabelImg 单机作业，图片来回拷贝，版本混乱，平均每人每天只能标 300 张
- 标注规则靠微信群口头同步，颜色、框粗细不统一，返工率高达 20 %
- 图片先下载到本地硬盘，再分批上传云端训练机，来回传输占满带宽，夜里常被运维叫醒
- 没有统计面板，项目经理只能靠 Excel 手动汇总进度，永远不知道“今天到底还差多少”
- 想先用 YOLOv5 跑一遍预标注，再把结果给人修，结果脚本、接口、权限一堆坑，3 天过去还没跑通
使用 lost 后
- 一键把 S3 桶里的 5 万张图挂到 lost，3 名标注员浏览器里直接开工，实时协同，日产量飙到 1200 张
- 在 lost 里建好“稻穗-绿色、杂草-红色、虫害-黄色”标签树，颜色、线宽自动锁定，返工率降到 2 %
- 外存直连，标注结果实时写回 S3，训练机直接读取，省掉下载-上传 6 小时
- 项目仪表盘实时显示“已标 62 %，剩余 1.9 万张”，项目经理把刷新频率从 1 小时改成 5 分钟
- 用 lost 的半自动管线：YOLOv5 预标注 → 人工微调 → 一键导出 COCO，整个流程 30 分钟搞定，提前 4 天交付
lost 让 3 个人的小团队像 10 个人一样高效，把 2 周苦差事变成 1 周轻松活。
运行环境要求
- Linux
未说明
未说明
快速开始
LOST - 标注对象，节省时间
描述
LOST（Label Object and Save Time）是一个灵活的、基于Web的框架，用于简单的协作式图像标注。 它提供多种标注界面，以实现快速的图像标注。
LOST提供了一套开箱即用的标注流水线，无需编程知识即可立即对图像进行标注。
然而，LOST同样具有灵活性，因为它允许运行用户自定义的标注流水线，在其中可以将不同的标注界面、工具和算法组合成一个流程。
该应用程序具有高度可扩展性，例如，通过用户界面即可轻松设置与外部文件系统的连接，如S3存储桶或Azure Blob存储。
它是基于Web的，因为整个标注过程都在您的浏览器中可视化呈现。 您可以在本地机器上使用Docker快速搭建LOST，也可以将其部署在Web服务器上，以便让全球的标注人员都能参与标注工作。 LOST支持组织标签树、监控标注进程的状态，并直接在浏览器中完成标注。
LOST专为构建半自动标注流水线而设计，以加速标注过程。 这种半自动标注可以通过使用AI生成的标注建议来实现，这些建议会在标注工具中呈现给标注员。
主要功能
- :earth_americas: 协作式标注——将您的标注任务分布到世界各地
- :rocket: 开箱即用的标注流水线
- 使用单张图像标注工具（SIA）标注边界框、多边形、点或线
- 使用多张图像标注工具（MIA）标注整组图像
- 导出您的数据集
- :open_file_folder: 连接外部文件系统，如AWS S3存储桶、MS Azure Blob存储或FTP服务器
- :inbox_tray: 即时标注导出，让您随时访问所有标注结果
- :chart_with_upwards_trend: 基于个人和项目的标注统计
- :label: 使用彩色标签树组织您的标签
- :repeat: 审核您的标注
其他功能
- :pill: 自定义标注流水线
- 导入和导出您的流水线项目
- 与同事共享您的流水线项目
- :orange_book: Jupyter Lab集成，便于流水线开发
- :dancers: LDAP集成
- :e-mail: 邮件通知
- :cloud: 可扩展设计——将密集型计算任务分散到多台机器上
快速入门
文档
与1.0版本相比，本次更新添加了许多新功能并进行了多项改进（详见更新日志）。 目前文档的适配工作仍在进行中。
如果您对LOST感兴趣，请在此处查阅我们的完整文档：https://lost.readthedocs.io。
LOST 3.x 快速搭建
LOST的发布版本托管在DockerHub上，并以容器形式交付。要快速搭建，请执行以下步骤（这些步骤已在Ubuntu上测试过）：
在您的机器或服务器上安装Docker： https://docs.docker.com/install/
克隆LOST仓库：
git clone https://github.com/l3p-cv/lost.git在您的Python环境中安装cryptography包：
pip install cryptography运行quick_setup脚本：
python3 quick_setup.py /path/to/install/lost --release 3.1.0启动LOST： 按照quick_setup脚本在命令行中给出的指示操作。
路线图
请参阅我们的路线图
引用LOST
@article{jaeger2019lost,
title={{LOST}: 一种用于半自动图像标注的灵活框架},
author={Jonas J\"ager, Gereon Reus, Joachim Denzler, Viviane Wolff 和 Klaus Fricke-Neuderth},
year={2019},
Journal = {arXiv预印本 arXiv:1910.07486},
eprint={1910.07486},
archivePrefix={arXiv},
primaryClass={cs.CV}
}
请在arXiv上查看我们的论文。
使用LOST的项目
- 宾夕法尼亚州立大学的PlantVillage正在使用LOST构建一款工具，该工具正积极影响着肯尼亚数百万民众的生活，以应对沙漠蝗虫危机（https://news.psu.edu/story/609265/2020/02/21/research/penn-state-responds-app-aids-un-efforts-control-africas-locust）。请参阅Annalyse Kehs撰写的这篇博客文章，了解更多关于LOST在该项目中的应用情况。
如果您正在使用LOST并希望分享您的项目，请联系@jaeger-j。
机构
| L3bm GmbH | CVG耶拿大学 | 富尔达应用科学大学 |
|---|---|---|
 |
 |
 |
版本历史
3.1.02026/03/233.1.0-alpha.22026/02/06常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。