全部支持私有化部署，具备任务管理、质检审核、AI 预标注、团队协作、标准化导出，覆盖计算机视觉、NLP 大模型（SFT/RAG/RLHF）、多模态、3D 点云，适合生产级高质量数据集构建GitHub。
1. Label‑Studio（HumanSignal）✨多模态全能首选
数据类型：文本 (NER、分类、问答、SFT 对话)、图像、音频、视频、时序；大模型 SFT、偏好标注，支持自定义标注模板
核心能力：多用户协作、审核工作流、Active‑Learning 人机闭环、REST API/Python‑SDK；可接入 SAM、本地大模型做预标注；导出 COCO、JSON、CSV、HuggingFace 数据集格式
协议：Apache‑2.0
适合：NLP+CV 混合项目、大模型微调数据集、RAG 问答标注、科研 / 中小团队；缺点：3D 点云能力较弱
部署：pip 一键启动 / Docker Compose
2. CVAT（CVAT.ai，原 Intel）👁️计算机视觉工业级标杆
数据类型：图像、视频、图像序列、3D 点云、2D 框、多边形分割、关键点、骨架、视频目标跟踪
核心能力：SAM3、YOLO 自动预标注；完善任务分配、多级质检、标注工时统计；原生 S3 / 对象存储；支持 COCO、YOLO、KITTI、MOT 等 20 + 格式；支持 helm 大规模 K8s 集群部署
协议：MIT（社区版）
适合：自动驾驶、医疗影像、视频分割、大规模视觉高质量数据集；缺点：NLP 文本标注能力弱
部署：Docker Compose，大规模 K8s Helm
3. Xtreme1（LF AI 基金会开源）🤖兼顾 CV+LLM+RLHF
数据类型：2D 图像、LiDAR 点云、图像‑点云融合；原生支持大模型 RLHF 偏好标注、SFT 对话数据集
核心能力：AI 辅助标注、版本管理、任务审核；完整 LLM 人类反馈工作流；国产友好中文界面；数据集版本快照
协议：Apache‑2.0
适合：自动驾驶 3D 数据，同时做大模型 RLHF 数据集；国内团队私有化
部署：Docker Compose
4. Doccano 📖NLP 轻量标杆
数据类型：纯文本，文本分类、命名实体识别 NER、关系抽取、机器翻译、对话 SFT
核心能力：部署极简；用户角色、任务分配；导出 HuggingFace datasets 格式；专注 NLP，轻量化
协议：MIT
适合：纯 NLP、RAG 问答、实体抽取；不支持图像视频
部署：Docker / pip
5. Diffgram 📊企业级多模态数据治理平台CVAT
数据类型：图像、视频、文本、3D 点云
核心能力：数据集版本控制、完整质量审计、Active Learning、完整 MLOps 打通；强质检流程，专门面向高质量数据集质量管控；丰富 Webhook 与 API
协议：AGPL‑3.0 开源版
适合：对数据质量溯源、版本管理要求极高的企业项目；部署较重，小项目会过重
6. MONAI‑Label 🏥医疗影像专用
数据类型：医学影像 DICOM、NIfTI，2D/3D 医学分割
核心能力：医学 AI 辅助分割；DICOM 协议支持；专注医疗高质量标注；对接 MONAI 医疗 AI 生态
协议：Apache‑2.0
适合：医疗影像数据集
轻量单机小工具（小规模，无复杂团队协作）
LabelMe：桌面端，多边形分割，适合单机小图像数据集；无多用户协作Labelme
VIA(VGG‑Image‑Annotator)：纯 HTML 单文件，浏览器离线运行，无需后端，快速试验
Make‑Sense：浏览器在线，图像框选、分割，导出 YOLO/COCO，零安装
选型参考表
高质量数据集标注落地建议
质量保障关键点：平台必须启用审核 / 复核流程，标注员‑审核员两级流转；开启标注统计，识别低质量标注员
AI 预标注：优先接入 SAM（图像分割）、YOLO（检测）、本地 LLM（文本 SFT），人工修正，大幅提升数据集质量和效率
输出格式：优先导出 HuggingFace Dataset、COCO、YOLO 标准格式，减少格式转换引入错误
部署建议：生产环境全部私有化 Docker 部署，数据不出内网；大规模团队优先 CVAT（视觉）/Label‑Studio
（多模态）
本文原创作者：易君召，详见：https://www.yijunzhao.cn/authors/yijunzhao，转载请注明出处。
原文链接
欢迎访问 小易撩挨踢