AI模型训练平台一个基于 Python Flask 的 Web 多模态大模型 + PT 模型的双重自动标注平台

源码资源网 · 发表于 2 小时前

AI模型训练平台一个基于 Python Flask 的 Web 多模态大模型 + PT 模型的双重自动标注平台
提供数据增强闭环："小数据→简单模型→辅助标注→大数据→精确模型" 的完整循环专门为 YOLOv8/11 目标检测模型的全生命周期管理而设计，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。

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

多层次AI辅助标注：大模型+PT模型的双重AI辅助体系
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
实时检测集成：将训练和部署统一在一个平台
项目级隔离：多项目并行开发，资源完全隔离
全流程自动化：从数据标注到模型部署的完整自动化
跨平台兼容：支持Windows、macOS、Linux多平台部署

功能特性

项目管理：创建、列出、删除项目
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
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
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
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
模型导出：将训练好的模型导出为ONNX、TorchScript等多种格式
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

安装与运行

克隆或下载项目代码
安装依赖：
pip install -r requirements.txt
运行应用：
python app.py
在浏览器中访问 http://localhost:5500

使用说明

创建项目：在首页点击"创建项目"按钮，输入项目名称和描述
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
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
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
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
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
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