热门项目榜第三
推荐项目第二
和ruoyi产品一起被推荐。
更新辅助标注，让标注更智能。

项目含金量：AI模型智能标注项目，全网独一无二

项目介绍

项目地址：AI模型训练平台 

FuturoGen - AI模型训练平台

一个基于Python Flask的Web应用，用于YOLOv8、11目标检测模型的图片标注、数据集管理、模型训练和模型导出，由Boyan开发。旨在为AI开发者和研究人员提供一个完整的、易用的目标检测模型训练解决方案。

创新特性

1. 多层次AI辅助标注 ：大模型+PT模型的双重AI辅助体系
2. 数据增强闭环 ："小数据→简单模型→辅助标注→大数据→精确模型"的完整循环
3. 实时检测集成 ：将训练和部署统一在一个平台
4. 项目级隔离 ：多项目并行开发，资源完全隔离
5. 全流程自动化 ：从数据标注到模型部署的完整自动化
6. 跨平台兼容 ：支持Windows、macOS、Linux多平台部署

该项目是为了用于标注和训练，不是为了教大家入门AI和如何训练模型。

标注时候请至少标注100张样本图。

请在训练轮次，最小填写100。训练30轮以下是无法识别！

PT模型辅助检测的核心价值 （待发布）

1. 降低数据门槛

• 快速启动 ：仅需50张标注图片即可训练初始模型
• 渐进改进 ：通过模型辅助逐步扩充高质量数据集
• 成本控制 ：减少人工标注工作量，提升标注效率

解决的核心问题

1. 数据标注效率低下

• 传统问题 ：手动标注大量图片耗时费力，标注质量不一致
• 解决方案 ：集成大模型辅助标注功能，支持自动目标检测和智能标注生成

2. 模型训练门槛高

• 传统问题 ：需要复杂的环境配置和命令行操作
• 解决方案 ：提供Web界面化的训练流程，实时显示训练进度和日志

3. 数据集管理复杂

• 传统问题 ：手动组织数据集目录结构，容易出错
• 解决方案 ：自动化数据集划分和目录结构生成

4. 实时检测部署困难

• 传统问题 ：RTSP视频流检测需要复杂的配置
• 解决方案 ：内置RTSP实时检测功能，支持多路视频流

5. 数据增强循环困难

• 传统问题 ：缺乏有效的数据增强和迭代标注机制
• 解决方案 ：PT模型辅助检测，实现"小数据训练→模型辅助→数据增强→高精度模型"的良性循环

更新

9.12更新

• 更新多模态大模型辅助标注功能。
• 更新RTSP视频流推理。
• 更新ultralytics库到最新版本。

提示

如果训练时候遇到类似错误 Weights only load failed. This file can still be loaded, to do so you have two options, [1mdo those steps only if you trust the source of the checkpoint[0m. (1) In PyTorch 2.6, we changed the default value of the weights_only argument in torch.load from False to True. Re-running torch.load with weights_only set to False will likely succeed, but it can result in arbitrary code execution. Do it only if you got the file from a trusted source. (2) Alternatively, to load with weights_only=True please check the recommended steps in the following error message. WeightsUnpickler error: Unsupported global: GLOBAL ultralytics.nn.tasks.DetectionModel was not an allowed global by default. Please use torch.serialization.add_safe_globals([ultralytics.nn.tasks.DetectionModel]) or the torch.serialization.safe_globals([ultralytics.nn.tasks.DetectionModel]) context manager to allowlist this global if you trust this class/function. Check the documentation of torch.load to learn more about types accepted by default with weights_only https://pytorch.org/docs/stable/generated/torch.load.html.

请运行

pip install -U ultralytics

pip install polars==0.18.0

标注时候请从左向右下角方向标注，因为涉及到图片缩放和映射，别的角度没有写映射。会导致标注失败。

功能特性

1. 项目管理：创建、列出、删除项目
2. 图片管理：
   • 上传单张或多张图片
   • 通过ZIP文件批量上传图片
   • 拖拽上传图片
3. 图片标注：
   • 基于Web的边界框标注功能
   • 图片间导航（上一张/下一张）
   • 项目内标签（类别）管理：添加、编辑、删除
   • 标注数据实时保存到数据库，并自动生成YOLOv8 .txt 格式的标注文件
   • 🆕 大模型辅助标注：集成AI大模型进行智能目标检测和自动标注，大幅提升标注效率
4. 数据集划分：批量将图片标记为训练集、验证集、测试集或未分配
5. 模型训练：
   • 实际调用 ultralytics 库进行模型训练
   • 训练任务在后台线程中运行，前端实时显示训练日志和进度
   • 自动准备训练所需的数据集目录结构和 data.yaml 文件
6. 模型导出：将训练好的模型导出为ONNX、TorchScript等多种格式
7. 🆕 RTSP实时检测：
   • 支持RTSP视频流实时目标检测
   • 实时显示检测结果和边界框
   • 支持多路视频流同时检测
   • 可配置检测参数和阈值

技术栈

• 后端：Python 3.9+, Flask, Flask-SQLAlchemy, threading, OpenCV (cv2), Pillow (PIL.Image), ultralytics, python-dotenv, PyYAML
• 前端：HTML5, CSS3, JavaScript, Bootstrap 5, Jinja2, Fabric.js
• 数据库：SQLite
• 部署：直接运行 python app.py

项目结构

yolov8_web_platform/
├── app.py                 # Flask应用入口
├── requirements.txt       # 项目依赖
├── .env                   # 环境变量配置
├── models.py             # 数据库模型
├── routes.py             # 路由处理
├── README.md             # 项目说明文档
├── static/               # 静态文件目录
│   ├── uploads/          # 上传图片存储目录
│   ├── datasets/         # 数据集目录
│   └── models/           # 模型存储目录
└── templates/            # HTML模板目录
    ├── base.html         # 基础模板
    ├── index.html        # 首页
    ├── project_detail.html # 项目详情页
    ├── images.html       # 图片管理页
    ├── annotate.html     # 图片标注页
    ├── dataset.html      # 数据集划分页
    ├── train.html        # 模型训练页
    └── export.html       # 模型导出页

安装与运行

1. 克隆或下载项目代码

2. 安装依赖：

   pip install -r requirements.txt  -i https://pypi.tuna.tsinghua.edu.cn/simple
   

3. 运行应用：

   python app.py
   

4. 在浏览器中访问 http://localhost:5500

##运行截图

 

 

使用说明

1. 创建项目：在首页点击"创建项目"按钮，输入项目名称和描述

2. 上传图片：

   • 进入项目详情页，点击"图片管理"
   • 可以上传单张/多张图片、ZIP压缩包或通过拖拽上传

3. 图片标注：

   • 在项目详情页点击"图片标注"
   • 先创建标签（类别），然后选择标签在图片上绘制边界框
   • 使用"上一张"/"下一张"导航到不同图片
   • 点击"保存标注"保存当前图片的标注结果
   • 🆕 大模型辅助标注：点击"手动大模型识别标注"按钮，大模型将自动识别图片中的目标并生成标注框

4. 数据集划分：

   • 在项目详情页点击"数据集划分"
   • 选择图片并设置为训练集、验证集、测试集或未分配

5. 模型训练：

   • 在项目详情页点击"模型训练"
   • 点击"开始训练"按钮启动训练过程
   • 可实时查看训练进度和日志

6. 模型导出：

   • 训练完成后，在项目详情页点击"模型导出"
   • 选择需要的导出格式（ONNX、TorchScript等）
   • 点击"导出"按钮完成模型导出

7. 🆕 RTSP实时检测：

   • 在首页点击"RTSP实时检测"进入实时检测页面
   • 输入RTSP视频流地址
   • 选择检测模型和项目
   • 点击"开始检测"启动实时目标检测
   • 可实时查看检测结果和调整检测参数

注意事项

• 应用默认运行在5500端口
• 所有数据存储在本地SQLite数据库中
• 上传的图片和训练的模型都保存在本地目录中
• 首次运行时会自动创建所需的目录和数据库

交流群，扫码加好友进群交流，

• 🍉是GVP项目yolo-onnx-java作者。

许可证

本项目由Boyan开发，仅供学习和研究使用。