提示：文章写完后，目录可以自成，如何生成可参考右边的帮助文档

---

前言

面对海量的图像分割标注任务，你是否渴望能找到一种方法，将标注效率提升数倍？Meta的Segment Anything Model (SAM) 正是这样一个答案，但其庞大的模型体积有时会带来部署上的挑战。本文将提供一个实用的解决方案：我们将一步步引导您，如何在功能丰富的LabelStudio平台上，集成高效的轻量级模型MobileSAM，搭建一套“指哪打哪”的交互式智能标注流程。通过本实践，您将能快速为自己的标注项目注入AI动力，实现点击即可生成高质量掩码的流畅体验。

---

一、安装LabelStudio

为了避免与之前的环境冲突先创建虚拟环境，创建好之后进行激活

conda create -n labelstudio python=3.10
conda activate labelstudio

在激活的环境pip下载labelStudio

pip install label-studio

等得下载完成即可进行使用

label-studio start

如果因为宿主机上的端口存在冲突可以以特定端口启动

label-studio start --port 8089

之后便可以通过ip地址进行访问，如均在内网，如部署的服务器ip地址是10.134.2.29，如果是本机部署本机访问通过localhost访问即可

http://10.134.2.29:8089

访问进去先进行注册，注册成功的第一位用户自动成为管理员，可以进行分配账号，管理项目，监控任务等操作。

二、配置Sam/MobileSam辅助标注工具

1.clone相关代码及配置

git clone https://github.com/HumanSignal/label-studio-ml-backend.git
cd label-studio-ml-backend/label_studio_ml/examples/segment_anything_model

克隆完成之后进入相关目录

2.LabelStudio页面查看Token

打开Home主页，点击右上角的“API Tokens Settings”

开启Legacy Tokens

查看API Token ，点击右上角头像，进入个人主页

复制该处的Token，之后配置文件修改需要使用

修改docker-compose.yml

进入第一步克隆的配置资源所在路径下，点击docker-compose.yml文件


将文件修改之后保存
在该路径之下，拉取镜像

docker compose pull

拉取成功之后，运行开启服务

docker compose up -d

成功拉起服务

创建分割项目以及配置SAM模型

正常按照LabelStudio操作进行项目的创建，数据的上传，选择标注类型的时候分割任务可以按照需求选择第一个或者第二个，此时选择第二个

注意，进来之后请参照该模板按需修改，才能开启对应的智能辅助标注

修改成类似如下的格式，可以根据自己需要的类别进行扩充，此处开启了点，框选，等四种只能辅助分割标注工具，最重要的是保持smart=true，注意此处标注的标签生成是mask，逐像素给确定的类别，如果需要修改成多边形可以进行一定的调整

<View>
  <Image name="image" value="$image" zoom="true"/>

  <!-- KeyPointLabels：开启智能交互 -->
  <KeyPointLabels name="KeyPointLabels" toName="image">
    <Label value="paking lot" smart="true" background="#FFA39E" showInline="true"/>
    <Label value="river" smart="true" background="#D4380D" showInline="true"/>
    <Label value="road" smart="true" background="#FAAD14" showInline="true"/>
  </KeyPointLabels>

  <!-- RectangleLabels：开启智能交互 -->
  <RectangleLabels name="RectangleLabels" toName="image">
    <Label value="paking lot" background="#FFA39E"/>
    <Label value="river" background="#D4380D"/>
    <Label value="road" background="#FAAD14"/>
  </RectangleLabels>

  <!-- PolygonLabels：开启智能交互 -->
  <PolygonLabels name="PolygonLabels" toName="image" smart="true" strokeWidth="3" pointSize="small" opacity="0.9">
    <Label value="paking lot" background="#FFA39E"/>
    <Label value="river" background="#D4380D"/>
    <Label value="road" background="#FAAD14"/>
  </PolygonLabels>

  <!-- BrushLabels：开启智能交互 -->
  <BrushLabels name="BrushLabels" toName="image" smart="true" showInline="true">
    <Label value="paking lot" background="#FFA39E"/>
    <Label value="river" background="#D4380D"/>
    <Label value="road" background="#FAAD14"/>
  </BrushLabels>
</View>

接入模型，点击刚创建好的项目右上角的三个点，进入设置settings，选择model，输入之前docker启动的端口号的url即可成功连接

这里的模型名字对应docker-compose.yml开启的模型名字即可

使用AI辅助标注工具进行标注

按照图示操作即可得到掩膜，具体操作和效果还有待进一步分析，目前体验感来说不如CVAT

---

总结

LabelStudio与SAM的结合，为图像分割标注带来了范式上的转变。它通过“指哪打哪”的智能交互，将标注者从繁重的手工勾勒中解放出来，实现了标注效率的数量级提升。这一组合极大地降低了操作门槛，并能凭借SAM强大的零样本能力，快速处理各种未知类别与复杂形状，展现出卓越的通用性。

然而，这套方案并非全能。其优势主要体现在处理“常规案例”上，当面对边缘模糊、透明物体或需要亚像素级精度的专业场景时，SAM的预测可能不尽如人意，有时修正其错误甚至比手动标注更耗时。因此，它更像是一个强大的“力量倍增器”，虽能大幅加速主体流程，但在关键细节上仍离不开标注专家的判断与微调，是效率与精准度之间一次成功的权衡。