标注、清洗、转换、划分，一条链走完
九个模块对应 YOLO 数据集从原始素材到 data.yaml 的每一步，全部在本机完成。
数据集质量检测
统计图片、标签、标注框与类别数量，列出孤立图片、孤立标签与空标签，给出类别分布、框面积与宽高比直方图；还会判出这份数据到底是检测、旋转框还是分割，混用时标为「混合」。
- 矩形 / 多边形 / 旋转框行数分开统计
- 一键导出 Markdown 报告，分析结果留历史可回看
带框可视化浏览
缩略图墙按「全部 / 已标注 / 未标注」或指定类别过滤，点开即看原图与标注：检测画矩形、分割画半透明多边形、旋转框画四点轮廓，三种类型一眼分得开。
图片标注
矩形、旋转框、多边形三种画法：拖框、拖手柄转角度、逐点描边。支持撤销重做、跨图复制粘贴、滚轮缩放与全套快捷键，编辑自动保存，类别名写回 classes.txt。
- 可改已有数据集，也可从纯图片目录新建标注
- Ctrl+V 跨图粘贴、自动沿用上一张的标注，连续帧很省事
AI 自动预标注
用自己训练好的模型先跑一遍，再人工修低置信度区域。ultralytics 能加载的权重都能用：YOLOv5～v12、RT-DETR，检测 / 分割 / 旋转框模型均可，.pt / .onnx / .engine 都认。
- 可设置信度阈值，只补空白图或覆盖已有标注
- 进度实时显示，可随时停止
格式互转与导出
LabelMe JSON、Pascal VOC XML 转 YOLO TXT，YOLO 转 VOC XML，以及导出 COCO JSON（分割写真实多边形与 area）；类别名到 ID 的映射与「类别重映射」都在界面上填。
- 导出标注时可选「原始 / 检测 / 分割」三种模式
- 结果写到指定目录，原标注文件保持不动
标签编辑
批量替换类别 ID、删除某个类别的全部标注、多个 ID 一次性重排序、重命名类别；可原地修改，也可输出到新目录，执行后给出受影响文件数。
文件一致性管理
一致性检查列出孤立图片与孤立标签；可删空标签、为未标注图片补空标签、按前缀加序号批量重命名、修复打不开的 JPEG。全部支持先预览再执行。
数据集划分
按 train / val / test 比例随机划分（三者之和须为 1.00），随机种子固定即可复现，并自动生成可直接训练的 data.yaml。
数据集合并
多来源合成一份，支持类别 ID 偏移与逐项映射，可选给文件名加来源编号前缀，避免不同来源的同名图片互相覆盖。
视频抽帧
普通抽帧按帧间隔取图，可设格式、JPEG 质量与文件名前缀；AI 智能抽帧只保留含目标类别的帧，并同时写出 YOLO 标签，抽完就能直接进标注页修正。
- 超长视频可按时长分段并行（需 ffmpeg）
- 加载视频信息后先看 FPS、时长与预计抽取数量
五个最常遇到的场景
从接手别人标好的数据，到把工具本身也交接清楚。
别人标好的数据集，先体检再动手
选 data.yaml 或直接填图片与标签目录，很快就能看到图片数、标签数、标注框数、类别数与配对情况。
两张卡片直接告诉你这份数据是目标检测、旋转框还是分割，甚至把矩形框、多边形、旋转框的行数分开数——写「混合」就是训练前得先统一。
孤立图片、孤立标签、0 字节的空标签各自单列；下方接类别分布与标注框面积 / 宽高比直方图，小目标占比偏高一眼看得出。
三种标注类型，同一块画布上画完
矩形、旋转框、多边形对应 H / R / P 三个键：拖两个角画框，拖手柄改角度，逐点描出轮廓。中键平移、滚轮缩放、A / D 翻页。
右侧类别面板管全局类别、当前框类别与每个框的归属；右键可直接切换类别、复制粘贴或删除。
可以改已有数据集（留空输出路径就原地写回），也可以只给一个图片文件夹从零开始标；编辑后自动保存，类别名写回 classes.txt。
模型先跑一遍，人只改不对的地方
左侧「AI 自动预标注」选自己训练好的权重，设置信度阈值，一整个文件夹先标完；ultralytics 能加载的检测 / 分割 / OBB 权重都行。
已有标注默认不覆盖（只补空白的图），需要重标时再勾「覆盖已有标注」。
跑完逐张过一遍，改完的框自动落盘；进度实时显示，中途可停。
带框预览，先看清再决定改什么
缩略图卡片带框数，顶部按「全部 / 已标注 / 未标注」或具体类别过滤，接手别人的数据集时不用装额外的标注软件。
预览里检测画矩形、分割画半透明多边形并描轮廓、旋转框只画四点轮廓，三种标注类型在视觉上就分得清。
大目录分页加载缩略图，不会为了看一眼先把内存吃满。
版本、依赖、环境，一个弹窗管完
「关于」里直接看到版本号、产品主页、代码仓库与技术支持入口，检查更新只读公开的发布清单；协议与免责声明也写在同一处。
「环境依赖」逐条列出 Python、ffmpeg 与每个包的安装状态，勾上「包含 AI 依赖」就能导出 environment.yml，新机器用 Easy Conda 导入即可重建。
「环境管理」列出扫描到的 conda 环境并标记依赖是否齐全，换环境后后端自动用新解释器重启——不会出现界面和实际运行的代码不是一套的情况。
设计上的取舍
确定的部分交给代码，不确定的部分交给你决定。
数据不离开本机
后端只监听 127.0.0.1，不对外暴露；需要时可在运行目录放 .env 设 API_TOKEN。工业数据、医疗影像、安防视频无需上传云端。
轻量桌面应用
Tauri 2 外壳 + React 前端 + 本地 Flask 服务，安装包只有几兆。升级后自带后端会按版本号同步到独立目录，旧进程不会捣乱。
环境依赖可导出
系统管理里直接列出必需依赖与 AI 依赖的安装状态，一键导出 environment.yml，在 Easy Conda 里导入就能在新机器建好同一套环境。
多语言与明暗主题
界面提供简体中文、English、日本語，明暗主题在标题栏切换，语言与主题都会记忆。
使用前你可能想先知道
使用前需要准备什么环境？
首次运行会引导选择本机已有的 conda 环境，也可以手动指定 python 路径。基础功能需要 Flask、OpenCV、Pillow、PyYAML 等依赖，向导会标注环境是否齐全；AI 预标注与智能抽帧额外需要 ultralytics，分段并行还需要 ffmpeg。
会把数据集上传到云端吗？
不会。质量检测、标注、转换、划分、合并与抽帧都在本机完成，后端只监听 127.0.0.1，不依赖任何在线服务。
能标注旋转框和分割吗？
能。矩形、旋转框（OBB）、多边形分割三种画法都支持，打开已有数据集时按标签内容自动判定类型。4 点多边形不会被误判成旋转框（需满足对边等长、邻边垂直），OBB 数据集也不会被降级导出为矩形。
AI 预标注支持哪些模型？
ultralytics 能加载的权重都可以：YOLOv5～v12、RT-DETR，检测 / 分割 / 旋转框模型都行，格式支持 .pt / .onnx / .engine / .torchscript / .tflite 与 OpenVINO 目录。分类模型不做框标注；阈值与是否覆盖已有标注都可调。
支持哪些标注格式？
读：YOLO TXT（检测 / OBB / 分割）、LabelMe JSON、Pascal VOC XML；写：YOLO TXT、VOC XML、COCO JSON。转换前建议先备份，尤其「原地修改」类操作。
数据集很大时会卡吗？
文件按需逐个读取，缩略图分页加载，不会把整份数据集一次性读进内存；但预览与导出会生成副本，磁盘建议预留数据集体积 2 倍以上空间。
是开源的吗？
是，使用 GPL-3.0 许可证，源码与安装包都在 GitHub 上，完整使用说明书在仓库 wiki 目录。
把事做完的写法
Easy Dataset 的实操文章，边看边做。
现在就开始使用
免费下载，本地运行。数据留在你自己的机器上。
这是桌面应用，请在电脑上打开本页面下载。
其它格式
SHA256 校验值
下载即表示同意按「现状」使用，软件不收集使用数据。