Files

T

Shaun ZhouandClaude Opus 5 6e746b7351 feat(scripts): 重训后同时维护 current.pt 与 best.pt

current.pt 指向最新一次训练的结果（后端与 push_predictions 都读它），
best.pt 指向历史上 mAP50 最高的那版，留作回退与对照。

数据集每次重训都在变，这个比较只是粗略参考而非严格的同条件对比，所以只用来
维护 best.pt 这个指针，不拦截 current.pt 的切换。

用服务器上三次真实训练验证过：首次建立、更好时更新、更差时保持不变。

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

2026-09-23 16:03:00 +08:00

5.5 KiB

Raw Blame History

Label Studio ML Backend：用训练好的 YOLO 做预标注

把 runs/detect/<name>/weights/best.pt 接进 Label Studio，打开任务时自动给出框，人工只需修正而不是从零画。标注攒够数量还能自动触发重训，形成"边标边训"的闭环。

为什么要单独的虚拟环境

label-studio-ml 会把 jinja2 降到 3.0.3、带进 Flask 1.1.2，而 label-studio 1.23 需要 jinja2 3.1。装进主环境会直接弄坏 Label Studio。它本来就是个独立服务，单独建环境最省事。

另外 PyPI 上的 label-studio-ml 是 2023 年的 1.0.9，不要用，要装 GitHub 上的现行版本（本文档基于 2.0.1.dev0 验证）。

uv venv .venv-ml --python 3.12
# --no-deps 装本体：它把 label-studio-sdk pin 到了 GitHub 某个提交，
# 那个仓库大、容易传输中断（服务器上实测失败过），依赖全部走 PyPI 更稳
VIRTUAL_ENV=.venv-ml uv pip install --no-deps \
    "label-studio-ml @ git+https://github.com/HumanSignal/label-studio-ml-backend.git"
VIRTUAL_ENV=.venv-ml uv pip install \
    "flask>2.3" "colorama~=0.4" "requests~=2.31" "semver~=3.0.2" \
    "label-studio-sdk>=2.1" ultralytics

启动

bash scripts/start_ml_backend.sh

脚本会停掉旧进程、带齐环境变量重启，并打印权重、日志位置与网页端要填的 URL。所有参数都能用环境变量覆盖，例如 YOLO_WEIGHTS=... bash scripts/start_ml_backend.sh。

它内部用 python _wsgi.py 而不是 label-studio-ml start .：后者用 PATH 上的 python 起子进程，在独立环境里会 ModuleNotFoundError。

LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT 必须和启动 Label Studio 时的值一致——任务里的图片是 /data/local-files/?d=...，后端要靠它把 URL 还原成磁盘路径。图片若来自上传或云存储，则改为设置 LABEL_STUDIO_URL 与 LABEL_STUDIO_API_KEY，后端会自行下载。

健康检查：

curl http://localhost:9090/health
# {"model_class":"FilmDefectDetector","status":"UP"}

接入项目

Label Studio 里：Settings → Model → Connect Model，URL 填 http://localhost:9090。

勾选 Interactive preannotations 后，打开任务就会实时调用模型；
也可以在 Data Manager 里选中若干任务 → Actions → Retrieve Predictions 批量拉取。

类别名必须和 labeling config 里的 <Label value="..."> 完全一致。 后端用的是权重里的 model.names（也就是训练时 data.yaml 的 names），对不上的话 Label Studio 会拒绝这条预测。我们的模型是 9 类：black、blackdot、grease、mosquito、normal、obstacle、ripple、uneven、wrinkle。

环境变量

变量	默认	说明
`YOLO_WEIGHTS`	`yolo26n.pt`	权重路径。版本号里带它的修改时间，换权重后 Label Studio 能区分新旧预测
`YOLO_CONF`	`0.25`	置信度阈值。预标注可以调低些，宁可多给几个框让人删
`YOLO_IMGSZ`	`640`	推理尺寸，与训练保持一致
`YOLO_DEVICE`	`cuda`	`cuda` / `cpu` / `mps`
`YOLO_BATCH`	`16`	一次推理几张。Retrieve Predictions 会一次发来上千个任务，不分批会撑爆显存
`YOLO_TILE_SIZE`	`160`	模型输入边长。按它切片推理再拼回，全程不缩放；0 = 整图推理（会 letterbox）
`YOLO_TILE_OVERLAP`	`32`	切片重叠像素。大于缺陷尺寸时，总有一片能完整看到它
`RETRAIN_AFTER`	`0`	累计多少条新标注触发重训，0 = 不触发
`RETRAIN_COMMAND`	空	触发时执行的命令

边标边训

在 Label Studio 里点 Settings → Model → Start Training，后端收到 START_TRAINING 事件，起一个子进程跑 scripts/retrain_from_label_studio.sh，立刻返回——训练要几十分钟，绝不能在这个请求里同步做，否则会把 Label Studio 卡住。

触发规则：

Start Training 按钮无条件触发，不看攒了多少条；
新增标注累计到 RETRAIN_AFTER 也会自动触发（默认 0 = 只手动）。只数 ANNOTATION_CREATED，UPDATED / DELETED 是对已有标注的修改，不该把阈值顶到；
已有重训在跑时重复点击会被忽略，不会叠起多个训练。

重训脚本做五件事：导出标注 → build_yolo_dataset.py 装配 → tile_dataset.py 切成固定边长的片 → detect.py 训练 → 更新软链接并重启本服务。

两个软链接：current.pt 指向最新一次训练的结果（本服务与 push_predictions.py 都读它）， best.pt 指向历史上 mAP50 最高的那版，留作回退与对照。换模型不用改任何脚本。 权重只在进程启动时加载一次，这也是重训末尾要重启服务的原因。

训练进度看 $RETRAIN_LOG（默认 /tmp/retrain.log）；Label Studio 网页端不显示训练进度。

已验证的行为

本地用 COCO 预训练权重实测过：

/health 返回 UP；
/predict 用 Label Studio 的真实请求体（tasks + label_config + params）调用， bus.jpg 返回 10 个框，坐标换算正确（百分比、original_width/height 与原图一致）；
图片无检出时返回一条空 result 的预测，表示"这张图没问题"；
/webhook 连发 3 条 ANNOTATION_CREATED，在第 3 条触发 RETRAIN_COMMAND 并把计数清零。

转换逻辑的单元测试在 tests/test_ml_backend_convert.py，跑在主环境里（convert.py 刻意不 import label_studio_ml，就是为了能这样测）。

5.5 KiB Raw Blame History Unescape Escape