Cách sử dụng Label Studio | Hoàn thiện phạm vi từ cài đặt đến chú thích và xuất

Label Studio là một công cụ ghi nhãn dữ liệu (chú thích) nguồn mở có thể xử lý hình ảnh, văn bản, âm thanh, video và chuỗi thời gian trên một màn hình. Chú thích là quá trình thêm các nhãn chính xác, chẳng hạn như ``Đây là một con chó'' hoặc ``Đây là một danh từ riêng'' vào dữ liệu được sử dụng cho việc học AI. Label Studio có thể khởi chạy môi trường làm việc miễn phí.

Việc sử dụng tổng thể là đơn giản. Bắt đầu với pip install label-studio hoặc Docker, tạo dự án trong trình duyệt, nhập dữ liệu, gắn nhãn và xuất sang định dạng có thể sử dụng cho machine learning. Khi đã quen với nó, bạn có thể thiết lập và chạy dự án đầu tiên của mình sau 30 phút.

Các điểm chính của bài viết này Giải thích cách sử dụng Label Studio theo thứ tự cài đặt (pip/brew/Docker) → tạo dự án → chú thích hình ảnh/văn bản/âm thanh → xuất → Tích hợp phụ trợ ML. Nó bao gồm sự khác biệt về giá giữa phiên bản Cộng đồng miễn phí và Starter Cloud (bắt đầu từ $99/tháng)/Doanh nghiệp, cũng như cách sử dụng CVAT và Labelbox (xác nhận lần cuối: 28-06-2026).

Hộp thông tin Ban biên tập

Phiên bản cộng đồng hoàn toàn miễn phí

Xác nhận lần cuối: Ngày 1 tháng 8 năm 2026 bởi ban biên tập

Label Studio là một nền tảng ghi nhãn dữ liệu được phát triển bởi HumanSignal (trước đây là Heartex). Nó đã được mọi người từ các tổ chức nghiên cứu đến các công ty khởi nghiệp AI trong nước và quốc tế áp dụng rộng rãi và có một cộng đồng Slack rộng lớn. Điểm mạnh lớn nhất của nó là sự kết hợp ba yếu tố giữa hỗ trợ đa phương thức, sử dụng miễn phí và khả năng tùy chỉnh cũng như khả năng xử lý văn bản, hình ảnh, âm thanh, video và chuỗi thời gian bằng cùng một giao diện người dùng.

“Tôi muốn tạo một mô hình AI, nhưng tôi nên sử dụng công cụ nào để gắn nhãn dữ liệu đào tạo?”—Đây là trở ngại đầu tiên mà những người làm việc về học máy hoặc tinh chỉnh LLM (điều chỉnh AI một cách thông minh bằng cách sử dụng dữ liệu của riêng họ) gặp phải. Trong bài viết này, chúng tôi sẽ trả lời câu hỏi đó bằng cách làm theo các bước để chạy Label Studio thực sự từ đầu đến cuối.

Kết luận đầu tiên: bạn nên sử dụng phiên bản nào?

Nếu bạn không chắc chắn, bạn có thể chọn từ 5 tùy chọn này.

• Tôi muốn tự lưu trữ miễn phí → Phiên bản cộng đồng (hoàn toàn miễn phí, chạy trên pip/Docker)
• Tôi muốn sử dụng nó như một nhóm/Tôi muốn quản lý đám mây → Starter Cloud (từ $99/tháng, giá mới nhất là chính thức)
• Bảo mật/SSO/Hoạt động quy mô lớn → Doanh nghiệp (yêu cầu ước tính)
• Công dụng chính là theo dõi video → CVAT thường phù hợp hơn
• Tôi muốn tạo UI cùng đội ngũ kỹ thuật → Label Studio là sự lựa chọn

Để thử nghiệm bởi các cá nhân, nghiên cứu hoặc nhóm nhỏ, Phiên bản cộng đồng là đủ cho hầu hết mọi người. Trước tiên hãy bắt đầu miễn phí và cân nhắc mua phiên bản trả phí khi hoạt động trở nên khó khăn - đây là thứ tự thực tế.

Label Studio là một nền tảng chú thích nguồn mở giúp thêm các nhãn chính xác theo cách thủ công vào dữ liệu dùng để đào tạo và đánh giá các mô hình học máy. Nó hỗ trợ dữ liệu hình ảnh, văn bản, âm thanh, video và chuỗi thời gian, đồng thời cho phép bạn tùy chỉnh định nghĩa nhãn và màn hình đầu vào cho từng dự án. Nó cũng hỗ trợ ghi nhãn được hỗ trợ bởi ML để nhập các dự đoán mô hình dưới dạng bản nháp, đánh giá của nhóm và nhập/xuất dữ liệu. Nó phù hợp cho các nhà phát triển, nhà khoa học dữ liệu và nhóm MLOps muốn quản lý dữ liệu của riêng họ và tạo dữ liệu đào tạo để cải thiện mô hình AI.

Label Studio là gì? Các tính năng và bối cảnh sử dụng

Label Studio là một nền tảng nguồn mở giúp đơn giản hóa công việc chú thích cần thiết để đào tạo các mô hình AI. Nó đã trở nên phổ biến kể từ khi phát hành vào năm 2019 và có một trong những cộng đồng lớn nhất thế giới là công cụ ghi nhãn dữ liệu nguồn mở.

Điều gì làm bạn hạnh phúc? Thông thường, các công cụ có xu hướng được tách thành một cho hình ảnh, một cho văn bản và một cho âm thanh, nhưng Label Studio kết hợp chúng thành một. Đối với mỗi dự án, chỉ cần chuyển đổi giữa ``Lần này tôi sẽ sử dụng hộp giới hạn cho hình ảnh'' và ``Tiếp theo tôi sẽ sử dụng NER cho văn bản.''

Các loại dữ liệu có thể được Label Studio hỗ trợ

Phạm vi dữ liệu rộng có thể được xử lý là lý do chính khiến nó được chọn. Liệt kê chúng cùng với các nhiệm vụ điển hình.

Nói cách khác, càng có nhiều dự án không được hoàn thành với "chỉ hình ảnh" hoặc "chỉ văn bản" thì việc quản lý tập trung của Label Studio càng trở nên hiệu quả hơn.

Các trường hợp sử dụng thể hiện điểm mạnh cụ thể

① Tạo dữ liệu để tinh chỉnh LLM Để chuyên biệt hóa thế hệ AI như ChatGPT và Claude với dữ liệu nội bộ, cần có dữ liệu đào tạo chất lượng cao. Label Studio có các mẫu để đánh giá, so sánh và xếp hạng các phản hồi LLM, giúp nó phù hợp để xây dựng bộ dữ liệu cho RLHF (một hệ thống đào tạo AI bằng phản hồi của con người).

② Chú thích dữ liệu bí mật như y tế, tài chính, pháp lý, v.v. Vì nó có thể được chạy cục bộ hoặc tại chỗ nên nó có thể được sử dụng cho các ứng dụng mà bạn không muốn gửi dữ liệu tới đám mây bên ngoài. Tuy nhiên, bảo mật phụ thuộc vào cấu hình cơ sở hạ tầng, đặc quyền truy cập, mã hóa, nhật ký kiểm tra và tuân thủ pháp luật (Đạo luật bảo vệ thông tin cá nhân, HIPAA, v.v.). Các tính năng tuân thủ như nhật ký kiểm tra và hỗ trợ HIPAA được bao gồm trong Enterprise và chỉ riêng hoạt động cục bộ của Phiên bản cộng đồng không đảm bảo sự an toàn của thông tin y tế. Lựa chọn phương án và thiết kế hoạt động theo yêu cầu.

③ Các dự án ML vượt qua nhiều loại dữ liệu Các dự án xử lý đồng thời hình ảnh, âm thanh và văn bản, chẳng hạn như lái xe tự động, camera giám sát và AI đa phương thức, có thể được tích hợp vào một nền tảng.

Tôi cũng muốn đọc nó

TypingMind là gì? Giá và các tùy chọn lựa chọn bắt đầu từ $39 (phiên bản 2026)

TypingMind là màn hình trò chuyện một lần, nơi bạn có thể sử dụng nhiều AI bằng khóa API của riêng mình. Chúng tôi đã sắp xếp các nội dung của Tiêu chuẩn $39, Mở rộng $79 và Cao cấp $99, phiên bản Nhóm bắt đầu từ $83 mỗi tháng, nơi lưu dữ liệu và mức độ bạn có thể sử dụng miễn phí bằng cách sử dụng thông tin chính thức kể từ tháng 8 năm 2026.

Ngày 7 tháng 8 năm 2026

14 bài toán và giải pháp triển khai AI trong các công ty xây dựng và ngành xây dựng

Phải mất nửa ngày để tạo ước tính và bạn có thể thu thập 20 báo cáo hàng ngày. Chúng tôi đã sắp xếp 14 vấn đề gặp phải khi giới thiệu AI trong ngành xây dựng dưới dạng Hỏi đáp. Hầu hết các nguyên nhân không nằm ở hiệu suất của AI mà nằm ở cách nó được phân phối. Nó bao gồm bản tóm tắt chi tiết về báo cáo hàng ngày, cách bắt đầu sau một tuần, chi phí khoảng 3.000 yên Nhật mỗi tháng và những điểm cần lưu ý về trợ cấp.

Ngày 7 tháng 8 năm 2026

Label Studio giá bao nhiêu? Sự khác biệt giữa phiên bản miễn phí và phiên bản trả phí

Label Studio cung cấp ba phiên bản. Sẽ dễ dàng đánh giá hơn nếu bạn biết các khoản phí bắt đầu từ đâu hơn là bản thân giá cả.

*Starter Cloud có giá 99 USD/tháng, cộng thêm 49 USD/tháng cho mỗi người dùng bổ sung (tối đa 12 người dùng, trang giá chính thức kể từ ngày 28 tháng 06 năm 2026). Hãy chắc chắn kiểm tra trang web chính thức để biết giá mới nhất.

Sự khác biệt cơ bản giữa phiên bản miễn phí và phiên bản trả phí không nằm ở số lượng chức năng mà ở ''nghi thức quản lý nhóm''. Vì mọi người trong Phiên bản cộng đồng đều là quản trị viên nên không thể phân biệt được ai đánh giá và ai phê duyệt. Thời điểm điều này trở nên cần thiết chính là lúc để xem xét Starter Cloud hoặc cao hơn.

Cách chọn từng phương án

Phiên bản cộng đồng phù hợp với:

• Tôi muốn thử nó với tư cách cá nhân, nhà nghiên cứu hoặc nhóm nhỏ.
• Các kỹ sư có thể tự vận hành bằng Docker và pip
• Tôi muốn xử lý dữ liệu nhạy cảm cục bộ

Starter Cloud phù hợp cho:

• Nhóm từ 3-12 người không muốn quản lý cơ sở hạ tầng
• Cần tách biệt vai trò của người đánh giá và người chú thích
• Tôi muốn liên kết với bộ lưu trữ đám mây (S3/GCS/Azure)

Doanh nghiệp phù hợp với:

• Các đội và công ty lớn với hơn 100 người
• Tôi muốn tập trung quản lý người dùng bằng SSO và SCIM
• SOC2/HIPAA/môi trường khe hở không khí là yêu cầu bắt buộc

Giá có thể được sửa đổi. Nguyên tắc vàng là kiểm tra giá mới nhất và phí người dùng bổ sung trên trang giá chính thức của HumanSignal. Khi bạn đã biết giá, hãy thử thực hiện.

Bước 1: Cài đặt Label Studio (pip/brew/Docker)

Phiên bản Cộng đồng có thể được truy cập theo ba cách: pip, brew và Docker. Nếu bạn có môi trường Python, pip là lựa chọn ngắn nhất, nhưng đối với hoạt động sản xuất hoặc nhóm, Docker là lựa chọn tốt nhất. Nếu đây là lần đầu tiên của bạn, tôi khuyên bạn nên thử pip trước.

Cách 1: pip (dành cho những người có môi trường Python/đơn giản nhất)

Nếu bạn đã cài đặt Python, bạn có thể khởi động nó chỉ bằng hai lệnh.

# 仮想環境を作成して有効化（推奨）
python -m venv ls-env
source ls-env/bin/activate  # Windowsは: ls-env\Scripts\activate

# Label Studioをインストール
pip install label-studio

# 起動（デフォルトはhttp://localhost:8080）
label-studio

Trình duyệt sẽ tự động mở khi bạn khởi động lần đầu tiên. Chỉ cần đặt địa chỉ email và mật khẩu của bạn trên màn hình đăng ký và bạn có thể bắt đầu sử dụng nó ngay lập tức.

Cách 2: pha (dành cho người dùng Mac)

# tapリポジトリを追加
brew tap humansignal/tap

# インストール
brew install humansignal/tap/label-studio

# 起動
label-studio

Phương pháp 3: Docker (được khuyến nghị cho hoạt động sản xuất và sử dụng nhóm)

# 基本的なDockerコンテナ起動
docker run -it \
  -p 8080:8080 \
  -v $(pwd)/mydata:/label-studio/data \
  heartexlabs/label-studio:latest

Nếu bạn muốn đọc các tệp cục bộ trực tiếp từ Label Studio, hãy kích hoạt nó bằng các biến môi trường.

# ローカルファイルアクセスを許可する場合
docker run -it \
  -p 8080:8080 \
  -v $(pwd)/mydata:/label-studio/data \
  --env LABEL_STUDIO_LOCAL_FILES_SERVING_ENABLED=true \
  --env LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT=/label-studio/files \
  -v $(pwd)/myfiles:/label-studio/files \
  heartexlabs/label-studio:latest

Để sử dụng cho nhóm, phiên bản Docker Compose cũng có sẵn trên GitHub chính thức, cho phép bạn định cấu hình PostgreSQL và nginx cùng một lúc.

Lưu ý: Một số thao tác có thể không hoạt động khi sử dụng Safari trên máy Mac. Google Chrome được khuyên dùng.

Sau khi quá trình cài đặt hoàn tất, tất cả những gì còn lại phải làm là hoạt động trên trình duyệt của bạn. Tạo dự án đầu tiên của bạn.

Bước 2: Tạo dự án

Hoạt động của Label Studio tiến hành theo 5 bước: ``Tạo dự án → Nhập dữ liệu → Cài đặt ghi nhãn → Chú thích → Xuất''. Đầu tiên, tạo một dự án sẽ đóng vai trò như một con tàu.

1. Truy cập http://localhost:8080 trong trình duyệt của bạn
2. Đăng ký hoặc đăng nhập
3. Nhấp vào "Tạo dự án"
4. Nhập tên dự án và nhấp vào "Lưu"

Việc này sẽ chỉ mất 1 phút. Bạn có thể coi dự án là “một đơn vị công việc ghi nhãn”. Ý tưởng cơ bản là tách các dự án phát hiện hình ảnh và phân loại văn bản thành các dự án riêng biệt.

Bước 3: Nhập dữ liệu

Bạn có thể nhập dữ liệu theo ba cách từ tab "Nhập dữ liệu" trong cài đặt dự án.

• Tải tệp cục bộ lên: kéo và thả vào "Tải tệp lên"
• Hợp tác lưu trữ đám mây: Đặt S3/GCS/Azure Blob Storage làm nguồn
• Nhập theo URL: Tải danh sách URL hình ảnh dưới dạng CSV hoặc JSON

Kéo và thả là đủ cho quy mô nhỏ. Nếu dữ liệu của bạn vượt quá vài nghìn mục hoặc tăng thường xuyên, sẽ dễ dàng hơn nếu bạn liên kết nó với bộ nhớ đám mây ngay từ đầu.

Bước 4: Cài đặt ghi nhãn (chọn mẫu)

Trên tab "Thiết lập ghi nhãn", hãy quyết định nên gắn nhãn gì. Label Studio cung cấp hơn 100 mẫu nên bạn không cần phải tạo màn hình từ đầu.

Ví dụ: để phát hiện đối tượng trong hình ảnh, chỉ cần chọn ``Phát hiện đối tượng với các hộp giới hạn'' và nhập tên nhãn (``ô tô'', ``người'', ``xe đạp'', v.v.) để hoàn tất thiết lập. Nội dung của mẫu được xác định bằng XML và khi đã quen với nó, bạn có thể tạo giao diện người dùng của riêng mình.

Bước 5: Tiến hành công việc chú thích

Nhấp vào hình ảnh, văn bản hoặc âm thanh từ danh sách tác vụ sẽ mở ra màn hình ghi nhãn. Bây giờ đến thỏa thuận thực sự.

Các thao tác chú thích hình ảnh rất trực quan.

• Chọn chế độ bằng cách nhấp vào tên nhãn (hoặc sử dụng các phím số trên bàn phím của bạn)
• Tạo khung bằng cách kéo chuột
• Bỏ chọn bằng phím u, xóa bằng Backspace
• Xác nhận bằng “Gửi”, bỏ qua bằng “Bỏ qua”

Nếu muốn làm các con số, bạn nên học phím tắt trước khi sử dụng chuột sẽ nhanh hơn. Thu thập các phím chính.

Phím tắt bên trái này sẽ hoạt động khi bạn có hàng trăm bản ghi. Nó đơn giản, nhưng nó tiết kiệm rất nhiều thời gian.

Bước 6: Xuất kết quả chú thích

Sau khi ghi nhãn xong, hãy xuất nhãn sang định dạng có thể sử dụng trong máy học. Label Studio bao gồm tất cả các định dạng chính.

JSON / JSON-MIN / CSV / TSV / COCO / YOLO / Pascal VOC XML

Chỉ với một cú nhấp chuột, bạn có thể xuất các định dạng có thể nhập trực tiếp vào khung, chẳng hạn như COCO và YOLO để phát hiện đối tượng và JSON cho văn bản. Nếu bạn không chắc chắn về định dạng xuất, câu trả lời đúng là phải phù hợp với định dạng mà thư viện bạn sẽ sử dụng cho việc học mong đợi.

Sau khi bạn hoàn tất quá trình xuất, quá trình ghi nhãn đã hoàn tất. Bước tiếp theo là sử dụng AI để hỗ trợ quá trình này và tăng tốc nó.

Cộng tác phụ trợ ML: Sử dụng tính năng ghi nhãn được hỗ trợ bởi AI

Khi bạn kết nối mô hình ML với Label Studio, trước tiên AI sẽ tạo nhãn nháp và con người chỉ cần kiểm tra và sửa đổi nhãn đó. Đây là "phụ trợ ML." Chỉ cần thay đổi từ công việc thủ công 100% sang bản nháp AI và đánh giá của con người sẽ tạo ra sự khác biệt lớn về tốc độ xử lý lượng lớn dữ liệu.

Mô hình tối thiểu có dạng này. Phương thức dự đoán trả về dự đoán cho từng tác vụ.

# mlbackend/model.py（最小構成例）
from label_studio_ml.model import LabelStudioMLBase

class MyModel(LabelStudioMLBase):
    def predict(self, tasks, **kwargs):
        # 既存のMLモデルを使って予測
        predictions = []
        for task in tasks:
            predictions.append({
                "result": [
                    {
                        "type": "rectanglelabels",
                        "from_name": "label",
                        "to_name": "image",
                        "value": {
                            "x": 10, "y": 10, "width": 50, "height": 50,
                            "rectanglelabels": ["car"]
                        }
                    }
                ]
            })
        return predictions

Mô hình bạn đã viết có thể được khởi chạy dưới dạng máy chủ chỉ bằng một lệnh duy nhất.

# MLバックエンドサーバーを起動
label-studio-ml start ./mlbackend

Sau đó, nếu bạn đăng ký http://localhost:9090 trong Cài đặt dự án > ML của Label Studio, các ứng cử viên AI sẽ tự động được hiển thị trên màn hình chú thích. Con người chỉ cần sửa nó.

So sánh với các công cụ cạnh tranh: bạn nên chọn công cụ nào?

Hãy so sánh vị thế của Label Studio với các đối thủ lớn.

Tóm tắt bảng bằng một từ, Label Studio nổi bật về “nhiều loại dữ liệu và tự lưu trữ”. Mặt khác, nếu bạn chuyên về video thì CVAT rất mạnh.

Được đề xuất theo cách sử dụng

Ai nên chọn Label Studio:

• Tôi muốn xử lý nhiều loại dữ liệu (văn bản, hình ảnh và âm thanh được trộn lẫn) cùng một lúc.
• Tôi muốn tạo dữ liệu đánh giá cho LLM và RAG (một hệ thống giúp mọi người đọc và trả lời các tài liệu nội bộ)
• Tôi muốn xử lý dữ liệu nhạy cảm cục bộ
• Tôi muốn tùy chỉnh nó một cách linh hoạt với đội ngũ kỹ thuật của mình.

Các trường hợp CVAT phù hợp:

• Công dụng chính là chú thích chi tiết từng khung hình của video và theo dõi đối tượng.
• Một nhóm chuyên về thị giác máy tính

Các trường hợp Labelbox phù hợp:

• Tôi muốn quản lý các nhóm lớn trong môi trường dựa trên nền tảng đám mây
• Cần hỗ trợ doanh nghiệp

Đánh giá biên tập

Sẽ là phù hợp khi xem xét các công cụ ghi nhãn dữ liệu theo ba trục: `` độ rộng của các định dạng dữ liệu được hỗ trợ '', `` chi phí giới thiệu (bậc miễn phí và tính khả dụng của tính năng tự lưu trữ) '' và `` tính thực tế của hoạt động nhóm (quản lý quyền, API và khả năng mở rộng).'' Trong lĩnh vực phát triển AI, có rất ít dự án có thể được hoàn thành chỉ với hình ảnh hoặc văn bản và sự hỗ trợ đa phương thức cũng như khả năng chống lại quy mô là những yếu tố quyết định trong việc lựa chọn.

Khi so sánh các tài liệu chính thức và các trang định giá, vị trí của từng công cụ có thể được phân chia như sau.

Vui lòng kiểm tra từng trang web chính thức để biết điều kiện sử dụng thương mại và giá mới nhất. Đây là điều xảy ra khi bạn đưa ra đánh giá trung thực dựa trên thông tin có sẵn công khai.

• Miễn phí và đa phương thức: Không thể đánh bại. Ưu điểm vượt trội là nó có thể được khởi chạy bằng pip/Docker và đánh giá hình ảnh, âm thanh và LLM hoàn chỉnh bằng một công cụ.
• Theo dõi video đầy đủ: Thực sự là không tốt. Việc theo dõi từng khung hình dễ xử lý hơn với CVAT và việc này thường được giao cho CVAT.
• Quản lý quyền nhóm: Trong phiên bản Cộng đồng, mọi người phải là quản trị viên. Nếu bạn cần RBAC, Starter Cloud trở lên là lựa chọn của bạn.
• Tiếng Nhật: Giao diện người dùng bằng tiếng Anh nhưng dữ liệu (văn bản/âm thanh tiếng Nhật) có thể được xử lý mà không gặp vấn đề gì. Vấn đề trong sử dụng thực tế là nhỏ.

Nhìn chung, Phiên bản cộng đồng là lựa chọn duy nhất dành cho những người khởi nghiệp ưu tiên cá nhân, nghiên cứu và chi phí. Đối với các công ty chủ yếu sử dụng video, việc xem xét CVAT là thực tế và đối với các công ty yêu cầu SSO và nhật ký kiểm tra, việc xem xét Enterprise hoặc Labelbox là thực tế.

Câu hỏi thường gặp

Q. Label Studio có thể sử dụng được bằng tiếng Nhật không?

Mặc dù giao diện người dùng bằng tiếng Anh nhưng dữ liệu chú thích (văn bản và âm thanh) hoàn toàn tương thích với tiếng Nhật. Nó cũng có thể được sử dụng để phân tích NER và tình cảm của văn bản tiếng Nhật mà không gặp vấn đề gì. Cộng đồng tập trung vào Slack và GitHub và tài liệu chính thức bằng tiếng Anh.

Q. Tôi có thể sử dụng nó cho mục đích thương mại không?

Phiên bản Cộng đồng (mã nguồn mở) được cung cấp theo Giấy phép Apache 2.0 và có sẵn cho mục đích sử dụng thương mại. Tuy nhiên, bạn cần kiểm tra riêng các điều khoản sử dụng của Starter Cloud/Enterprise.

H. Nó có thể hoạt động với các khung ML hiện có không?

Có thể. Nó có API REST và SDK Python phong phú, đồng thời có thể được liên kết với TensorFlow, PyTorch, Hugging Face, v.v. Việc gắn nhãn trước AI cũng có thể được kết hợp bằng chức năng phụ trợ ML. Bộ lưu trữ đám mây hỗ trợ AWS S3, Google Cloud Storage và Azure Blob Storage.

Câu hỏi: Có thể quản lý vai trò của người chú thích không?

Trong Phiên bản Cộng đồng, tất cả người dùng đều có đặc quyền của quản trị viên nên không thể phân tách vai trò. Kiểm soát truy cập dựa trên vai trò (RBAC) có thể được sử dụng với Starter Cloud trở lên và có thể chỉ định năm vai trò: Chủ sở hữu, Quản trị viên, Người quản lý, Người đánh giá và Người chú thích.

Q. Nếu xảy ra lỗi trong quá trình cài đặt, tôi nên kiểm tra điều gì trước tiên?

Các vấn đề phổ biến nhất là phiên bản Python không khớp và xung đột cổng 8080. Sự cố thường được giải quyết bằng cách tạo lại môi trường ảo và khởi động nó trên một cổng khác như label-studio start --port 8081. Nếu vẫn gặp khó khăn, bạn nên chuyển sang khởi động Docker nhanh hơn, điều này có thể hấp thụ những khác biệt về môi trường.

H. Tôi có thể lưu chú thích giữa chừng và tiếp tục lại sau không?

Có thể. Xác nhận nhiệm vụ bằng "Gửi", giữ chúng bằng "Bỏ qua" và các nhiệm vụ chưa được xác nhận vẫn còn trong danh sách nhiệm vụ. Ngay cả khi nhiều người chia sẻ nhiệm vụ, mỗi người sẽ có thể hoàn thành nhiệm vụ của riêng mình và gửi chúng bất cứ lúc nào.

H. Nó có thể xử lý bao nhiêu dữ liệu?

Phiên bản cộng đồng không có giới hạn dữ liệu. Starter Cloud dành cho các nhóm có tối đa 12 người dùng, trong khi Enterprise thực tế hơn cho các hoạt động và khối lượng dữ liệu ở quy mô doanh nghiệp.

Q. Những tính năng nào đã được thêm vào trong phiên bản mới nhất?

Label Studio 1.23.0, được phát hành vào ngày 13 tháng 3 năm 2026, bao gồm chức năng chú thích vectơ, trình xem nguồn tác vụ tương tác và các cải tiến về quy trình làm việc cho Trình quản lý dữ liệu. Giao diện PDF + OCR nâng cao cũng cải thiện độ chính xác cho tài liệu AI.

Ứng dụng để tinh chỉnh LLM: Kết hợp Label Studio vào đường dẫn dữ liệu của bạn

Lý do đằng sau nhu cầu ngày càng tăng đối với Label Studio là việc tạo dữ liệu để tinh chỉnh LLM. Điều này là do các mô hình ngôn ngữ quy mô lớn như ChatGPT và Claude yêu cầu một lượng lớn dữ liệu đào tạo chất lượng cao để chuyên môn hóa dữ liệu của riêng họ.

Tạo dữ liệu RLHF (học tập tăng cường với phản hồi của con người)

RLHF là phương pháp trong đó người đánh giá so sánh và xếp hạng các phản hồi của AI, sau đó đào tạo một mô hình bằng cách sử dụng kết quả. Label Studio có mẫu "So sánh theo cặp" dành riêng cho quy trình làm việc này.

Một quy trình sáng tạo điển hình trông như thế này.

1. Yêu cầu LLM tạo nhiều câu trả lời cho cùng một lời nhắc (văn bản hướng dẫn tới AI)
2. Các cặp câu trả lời được hiển thị trong Label Studio và người chú thích sẽ đánh giá câu trả lời nào tốt hơn.
3. Xuất kết quả đánh giá ở định dạng JSON
4. Được sử dụng để đào tạo Mô hình phần thưởng
5. Tinh chỉnh LLM của bạn với PPO (Tối ưu hóa chính sách gần nhất)

Ví dụ: dữ liệu được xuất có định dạng sau:

// エクスポートされるRLHFデータの例
{
  "prompt": "日本の首都について教えてください",
  "chosen": "東京は日本の首都で、世界最大級の都市のひとつです。",
  "rejected": "首都は東京です。",
  "annotator_preference": "chosen",
  "confidence": 0.92
}

Tạo dữ liệu đánh giá RAG (Tạo tiện ích mở rộng tìm kiếm)

Label Studio cũng có thể được sử dụng để đánh giá chất lượng của hệ thống RAG. Bộ ba câu hỏi của người dùng, kết quả tìm kiếm và câu trả lời LLM sẽ được đánh giá dựa trên các trục như độ chính xác, mức độ liên quan và tính rõ ràng của bằng chứng.

// RAG評価データ形式例
{
  "question": "2026年のAIツール市場規模は？",
  "retrieved_context": "...",
  "answer": "...",
  "faithfulness": 4,
  "relevance": 5,
  "correctness": 3
}

Kiểm soát chất lượng chú thích: Sử dụng trong các dự án quy mô lớn

Càng sử dụng nhiều lao động thì chất lượng của nhãn càng giảm sút. Label Studio cho phép nhiều người chú thích gắn nhãn cho cùng một nhiệm vụ và tính toán Thỏa thuận giữa các người chú thích (IAA) để kiểm soát chất lượng.

Ba phương pháp thực hành để cải thiện chất lượng chú thích

① Thiết kế hướng dẫn kỹ lưỡng Nếu định nghĩa nhãn không rõ ràng, đánh giá của mọi người sẽ khác nhau. Sẽ rất hiệu quả nếu bạn nêu rõ “cảm xúc tích cực bắt đầu từ đâu đến đâu” bằng những ví dụ cụ thể. Bạn có thể viết "Hướng dẫn" trong cài đặt dự án của Label Studio.

② Bao gồm các nhiệm vụ hiệu chỉnh. Giao 10 đến 20 nhiệm vụ giống nhau cho tất cả người chú thích và đo lường tỷ lệ đồng ý. Tỷ lệ phù hợp thấp là dấu hiệu của hướng dẫn sửa đổi hoặc đào tạo bổ sung.

③ Thiết lập quy trình làm việc của người đánh giá (Starter Cloud hoặc cao hơn) Tạo quy trình làm việc cho phép người đánh giá phê duyệt hoặc từ chối kết quả do người chú thích gửi. Đây là lĩnh vực không thể đạt được với phiên bản Cộng đồng.

Tính toán Thỏa thuận giữa các nhà chú thích (IAA)

Tỷ lệ khớp có thể được lấy và tính toán bằng Python SDK. Một hướng dẫn cho hệ số Kappa của Cohen là 0,8 hoặc cao hơn.

# Python SDKを使ったIAA計算例
from label_studio_sdk import Client
from sklearn.metrics import cohen_kappa_score

ls = Client(url='http://localhost:8080', api_key='YOUR_API_KEY')
project = ls.get_project(project_id=1)

# タスクとアノテーションを取得
tasks = project.get_labeled_tasks()

# Cohen's Kappa係数などで一致率を計算
annotator_1_labels = [...]
annotator_2_labels = [...]

kappa = cohen_kappa_score(annotator_1_labels, annotator_2_labels)
print(f"Cohen's Kappa: {kappa:.3f}")  # 0.8以上が目安

Lộ trình giới thiệu Label Studio: theo từng cá nhân đến quy mô công ty

Cá nhân/Nhà nghiên cứu (Phiên bản cộng đồng)

Đây là cách tiến hành suôn sẻ, từ bước đầu tiên đến việc học.

Nhóm nhỏ (Đám mây khởi đầu)

1. Đánh giá bằng bản dùng thử: Xác thực quy trình làm việc với 100 đến 500 dữ liệu dự án thực
2. Cài đặt vai trò: Chỉ định Chủ sở hữu (Quản trị viên), Người chú thích và Người đánh giá
3. Tích hợp lưu trữ đám mây: Xử lý lượng lớn dữ liệu bằng cách sử dụng nhóm S3 làm nguồn trực tiếp
4. Giám sát chất lượng: Kiểm tra báo cáo hàng tuần trên Bảng điều khiển IAA

Doanh nghiệp/Đội ngũ lớn

• Tích hợp SSO/SCIM: Tự động hóa quản lý người dùng với Active Directory và Okta
• Thiết kế RBAC: Thiết kế các nhóm thẩm quyền theo bộ phận, dự án và độ nhạy cảm của dữ liệu
• Nhật ký kiểm tra: Lưu giữ tất cả hồ sơ về người đã gắn nhãn cái gì và khi nào (tương thích với HIPAA/GDPR)
• Triển khai Kubernetes: Giảm thời gian ngừng hoạt động với cấu hình có tính sẵn sàng cao

Những lưu ý và hạn chế của Label Studio

Đó là một công cụ tuyệt vời nhưng không phải là thuốc chữa bách bệnh. Biết được điểm yếu trước khi thực hiện sẽ giảm bớt sự hối tiếc.

Những trường hợp không phù hợp

• Chú thích đám mây điểm 3D: Hỗ trợ hạn chế cho đám mây điểm 3D để lái xe tự động. Các công cụ chuyên dụng (Scale AI, BasicAI, v.v.) đều phù hợp.
• Theo dõi chi tiết các video có tốc độ khung hình cao: CVAT có nhiều tính năng dành riêng cho video hơn.
• Trường hợp người không phải là kỹ sư muốn sử dụng ngay: Phiên bản Cộng đồng yêu cầu kiến ​​thức kỹ thuật để thiết lập. Để dễ sử dụng, các loại SaaS (Hộp nhãn, v.v.) sẽ tốt hơn.

Cân nhắc về bảo mật

Phiên bản Cộng đồng cung cấp cho tất cả người dùng đặc quyền của quản trị viên, do đó việc kiểm soát quyền truy cập là không đủ trên các máy chủ công cộng bên ngoài. Trong hoạt động sản xuất, thông tin xác thực được quản lý bằng các biến môi trường và bắt buộc phải có HTTPS.

# 環境変数でDBクレデンシャルを管理（ハードコードしない）
export LABEL_STUDIO_DB_USER="ls_admin"
export LABEL_STUDIO_DB_PASS="YOUR_SECURE_PASSWORD"

# リバースプロキシ（nginx）でHTTPS化必須
# 外部公開する場合は認証レイヤーを追加すること

Nếu bạn cần phân tách vai trò, SSO và nhật ký kiểm tra, chúng tôi thực sự khuyên bạn nên di chuyển sang Starter Cloud hoặc cao hơn. Đổi lại sự thuận tiện được tự do, trách nhiệm vận hành vẫn thuộc về bạn - đó là điều duy nhất bạn muốn lưu ý khi thiết kế.

Bài viết liên quan

• Hướng dẫn đầy đủ về Letta AI (trước đây là MemGPT) | Giải thích kỹ lưỡng về cách sử dụng, phí và cách bắt đầu
• Hướng dẫn đầy đủ về Luma AI | Giải thích kỹ lưỡng về cách sử dụng, giá cả và sức mạnh của Ray3
• Hướng dẫn đầy đủ về 6sense | Giải thích kỹ lưỡng về cách sử dụng dữ liệu mục đích AI, phí và cách bắt đầu
• So sánh các công cụ phân tích dữ liệu AI được đề xuất | Giải thích cách chọn theo ứng dụng
• Học máy là gì? Cách thức hoạt động và cách sử dụng trong 3 phút