深度学习需要数据集以进行训练，这离不开数据集标注工具。于我主要使用 labelimg 和 labelme 分别进行目标检测和实例分割任务的标注。

然而按照这两个项目的官方 README 并不能正常使用，因此尝试使用更新更快的 Python 包管理工具 uv 进行安装。

本文介绍了两款常用数据标注软件的源代码安装方法，并结合安装过程介绍 uv 的基本使用。

Conda 对于这样一个简单的 Python 应用来说实在是太笨重了，我不可能给一个一百行代码的脚本创建一个专用的虚拟环境。

而 uv 是一个用 Rust 编写的极速 Python 包和项目管理工具，比 pip 快 100 倍的同时还提供完善的 venv 管理功能。

因此我最后的策略是：在 WSL 中使用 Mamba 作为包管理和虚拟环境管理器，进行深度学习训练和推理；而在 Windows 中使用 uv，以支持日常简单脚本开发。

1 uv

你可以在安装 uv 中找到各个平台的安装方法。至于 Windows，推荐使用 WinGet 获取 uv：

winget install --id=astral-sh.uv  -e

安装完后重启终端，检查 uv 是否可用：

uv --version

2 labelimg

labelimg 官方文档中提到可以使用 pip 进行安装：

pip install labelImg

但是在 Windows 下似乎会遇到权限问题，因此我尝试从源码进行安装。

首先克隆 labelimg 仓库：

git clone git@github.com:HumanSignal/labelImg.git

进入项目后，使用 uv 在项目中创建一个目录.venv作为虚拟环境：

cd labelImg
uv venv --python 3.9

然后激活环境：

.venv\Scripts\activate

其实很多时候不用激活，uv 会自动隔离虚拟环境。

然后安装依赖：

uv pip install pyqt5-tools lxml
pyrcc5 -o libs/resources.py resources.qrc

从源代码安装并启动 labelimg：

uv pip install .
un run labelimg

提示

后面再想要启动 labelimg 时，无需执行激活环境命令，只需要进入项目文件夹执行：

uv run labelimg

即可。

3 labelme

和 labelimg 类似，labelme 官方文档也提及可以使用 pip 安装，但我遇到了同样的问题，因此 labelme 也从源码安装，流程基本类似。

首先克隆仓库：

git clone git@github.com:wkentaro/labelme.git

labelme 提供了uv.lock文件，它是 uv 的锁文件，记录了虚拟环境里精确 Python 版本和包版本。通过它精确重现完全相同的环境。要从uv.lock中恢复环境，只需要：

uv sync --python 3.10

从源码安装并启动 labelme：

uv pip install .
uv run labelme