Label Studio-Integration#
Direkte Label Studio-Importe kommen bald zu Ultralytics Platform, sodass ein Rohimage-Erkennungs- oder Segmentierungsexport unverändert ohne die Auswahl eines Formats hochgeladen wird.
Bis dahin gibt es einen kurzen Weg, der heute funktioniert, da der Export von Label Studio für YOLO mit Bildern ein Layout darstellt, das die Platform lesen kann, einschließlich der Klassenliste.
Heute aus Label Studio importieren#
- Aus Label Studio exportieren. Öffne dein Projekt und klicke auf Export.
- Wähle ein Format, das die Bilder enthält. Wähle YOLO with Images und klicke auf Export.
- In Platform hochladen. Erstelle einen neuen Datensatz aus der ZIP-Datei.
- Trainiere. Bearbeite die Annotationen, trainiere und deploye, ohne den Arbeitsbereich zu verlassen.
Die Optionen YOLO und COCO von Label Studio schreiben Label-Dateien ohne die Bilder, da sich deine Bilder normalerweise hinter den URLs befinden, auf die Label Studio verwiesen hat. Das Hochladen eines dieser Archive auf Platform liefert dir ein Dataset ohne Bilder. Wähle stattdessen die Variante with Images.
Mit der API exportieren#
Die export API von Label Studio gibt dasselbe Archiv zurück, wobei der Formatname in exportType steht:
curl -X GET "https://<your-label-studio>/api/projects/<project-id>/export?exportType=YOLO_WITH_IMAGES&download_all_tasks=true" \
-H "Authorization: Token <your-legacy-token>" \
-o dataset.zipCOCO_WITH_IMAGES und YOLO_OBB_WITH_IMAGES funktionieren auf dieselbe Weise. Neuere personal access tokens werden vor der Verwendung gegen ein kurzlebiges Bearer-Token ausgetauscht, prüfe also, welchen Tokentyp deine Instanz ausstellt. Große Projekte sollten stattdessen die snapshot endpoints verwenden, die den Export als Hintergrundjob erstellen und ihn per ID herunterladen; das export_yolo_with_images.py-Beispiel des SDK tut genau das.
Ein YOLO-Export von Label Studio enthält seine Klassenliste zusammen mit den Labels, und die Platform liest sie ein:
archive.zip/
├── classes.txt # class names Platform reads first
├── notes.json # fallback, used only when classes.txt is missing or empty
├── images/
└── labels/Lade das Archiv genau so hoch, wie Label Studio es erstellt hat. Platform sucht nach classes.txt und notes.json im Wurzelverzeichnis des Archivs. Das erneute Zippen des Exports in einem anderen Ordner führt daher dazu, dass deine Label-Namen verloren gehen und die Klassen als class0, class1 usw. importiert werden.
Auswahl eines Exportformats#
Label Studio bietet verschiedene Exportformate. Für Bilderkennung und Segmentierung:
| Label Studio-Format | Funktioniert | Hinweise |
|---|---|---|
| YOLO with Images | Bestens | Enthält classes.txt und die Bilder, sodass ein einzelner Upload ausreicht |
| COCO with Images | Ja | Wird ebenfalls gelesen; eine Mischung aus Polygonen und Boxen wird als Segment importiert, wobei die reinen Boxen verworfen werden |
| YOLO / COCO | Nein | Nur Annotationsdateien – der Datensatz wird ohne Bilder importiert |
| Pascal VOC XML | Nein | XML-Labelfragen können nicht gelesen werden |
In einem COCO-Export muss jede Annotation ein bbox enthalten, um gelesen werden zu können, Crowd-Regionen ("iscrowd": 1) werden übersprungen, und die Kategorienamen werden zu deinen Klassennamen – ein COCO-Archiv benötigt also kein classes.txt, um seine Labels behalten zu können.
Die Platform liest keine Pascal VOC XML-Labels, und ein VOC-Export schlägt still statt laut fehl: Die Bilder werden importiert und die Annotationen nicht. Wähle stattdessen YOLO with Images oder COCO with Images.
Was die Integration hinzufügen wird#
Die Auswahl des richtigen Exportformats ist der Schritt, den die Integration überflüssig macht. Sobald sie verfügbar ist, exportierst du jedes beliebige Bilderkennungs- und Segmentierungsformat von Label Studio, lädst es hoch, und Platform ordnet die Annotationen selbst dem passenden YOLO task zu.
- Keine Formatwahl nötig – Die Bilderkennungs- und Segmentierungsexporte von Label Studio werden auf einen YOLO-Datensatz abgebildet, wobei die Label-Namen erhalten bleiben
- Ein Arbeitsbereich – Das Labeln, Trainieren und Deployen erfordert keine getrennten Tools und Konvertierungsskripte mehr
- Weiter annotieren — importierte Datensätze öffnen sich im Annotationseditor von Platform, einschließlich der SAM-gestützten intelligenten Annotation
- Sofort trainieren — Datensätze sind bereit für das Cloud-Training, sobald ihre Verarbeitung abgeschlossen ist