AutoLabel C++

项目简介

AutoLabel C++ 是一个面向目标检测数据预标注的本地 Web 平台。用户上传单张图片或选择图片文件夹后，系统通过 RAM 生成候选语义标签，再由 GroundingDINO 输出目标框、类别和置信度；结果可在浏览器中复核，并导出为 COCO 或 YOLO 标注包。

自动标注用于降低人工初标成本，不替代人工复核。真实模型权重、测试图片、上传数据和数据库均不随仓库分发。

核心功能

• 单张图片上传、格式校验、自动标注和检测框可视化；
• 文件夹批量上传、并发传输、任务排队、进度查询、取消和失败重试；
• RAM 候选标签生成、标签清洗及 GroundingDINO 开放词汇目标检测；
• C++ 线程池与有界异步任务队列，GPU 推理端保持单 worker 串行执行；
• 用户注册登录、会话管理、幂等请求和任务归属隔离；
• SQLite 持久化任务、批次、推理结果和文件生命周期状态；
• 单任务或整批结果导出为 COCO / YOLO ZIP 标注包。

系统架构

flowchart TB
    U[浏览器用户] --> FE[React + TypeScript 前端]
    FE --> GW[C++20 HTTP 网关与固定线程池]

    GW --> UP[请求校验与上传文件保存]
    UP --> SYNC[同步标注路径]
    UP --> QUEUE[有界异步任务队列]
    QUEUE --> WORKER[单 GPU 任务 Worker]

    SYNC --> INF[Python 常驻推理服务]
    WORKER --> INF

    GW <--> DB[(SQLite：任务、状态、结果和历史)]
    DB -. 重启恢复与待处理任务派发 .-> QUEUE
    UP --> FILES[(运行时上传目录)]

    INF --> RAM[RAM 图像标签识别]
    RAM --> CLEAN[标签清洗与检测提示词生成]
    CLEAN --> DINO[GroundingDINO 目标检测]
    CLEAN --> RESULT[结构化推理结果]
    DINO --> RESULT
    RESULT -->|JSON：标签与检测框| GW

    GW --> VIEW[任务状态与标注结果展示]
    GW --> EXPORT[COCO / YOLO 导出]
    VIEW --> FE
    EXPORT --> FE

Loading

React 前端负责上传、任务操作、结果展示和导出操作，并只访问 C++ 网关。SQLite 只负责持久化，不参与模型计算；上传图片保存在运行时目录，数据库仅记录文件元数据和相对路径。有界内存队列只调度近期异步任务，待处理任务及结果由 SQLite 保存并支持重启恢复。异步 GPU Worker 固定为单 worker，Python 服务也通过推理锁串行访问 GPU；RAM 和 GroundingDINO 由常驻服务一次加载，不会因浏览器并发上传而为每个请求创建一套模型。

效果展示

真实运行效果图将在获得可公开使用的测试图片后补充。

部署运行

环境要求：Git、Docker、Docker Compose、支持容器 GPU 的 NVIDIA 驱动；Windows 使用 Docker Desktop + WSL2 GPU，Linux 需要 NVIDIA Container Toolkit。首次构建还需要访问 Docker Hub、PyPI、PyTorch 及两个上游官方 GitHub 仓库。

1. 克隆仓库并进入目录：

   git clone https://github.com/lwxhhh/AutoLabel.git
   Set-Location AutoLabel

2. 从上游官方来源下载权重，保持文件名不变：

   • ram_swin_large_14m.pth
   • groundingdino_swint_ogc.pth

3. 在仓库外准备资源和运行目录：

   <AUTOLABEL_ASSETS_DIR>/
   ├── weights/
   │   ├── ram_swin_large_14m.pth
   │   └── groundingdino_swint_ogc.pth
   └── cache/huggingface/    # bert-base-uncased 的完整离线缓存
   
   <AUTOLABEL_DOCKER_DATA_DIR>/
   └── logs/
   

   BERT 缓存对应官方模型 google-bert/bert-base-uncased。运行配置启用了 TRANSFORMERS_OFFLINE=1，因此缓存必须在启动前准备完成。模型权重和缓存不应复制到仓库。

4. 复制环境模板，填写上述两个宿主机目录；如需首次管理员账号，也只在本地 .env 中填写：

   Copy-Item .env.example .env

5. 构建并启动真实 RAM + GroundingDINO 链路：

   docker compose -f docker-compose.grounded.yml up --build -d

6. 等待服务健康后打开 http://127.0.0.1:5174。可上传单张图片，或切换到文件夹批量模式；任务完成后选择 COCO / YOLO 下载标注包。停止服务使用：

   docker compose -f docker-compose.grounded.yml down

更完整的 GPU 与离线资源准备说明见 Grounded Docker 本地运行指南。

许可证

项目自有代码采用 Apache License 2.0。RAM、GroundingDINO、模型权重及其他第三方依赖不因本项目许可证而被重新授权，详情见 THIRD_PARTY_NOTICES.md。