doccano数据标注实战：从部署到团队交付

doccano数据标注实战：从部署到团队交付

【免费下载链接】doccanoOpen source annotation tool for machine learning practitioners.项目地址: https://gitcode.com/gh_mirrors/do/doccano

如果你团队里有人为手工整理标注标签熬过夜，doccano 值得试一下。它是一款免费的开源AI数据标注工具，覆盖从导入数据到导出标注数据集的完整流程，适合算法工程师和数据团队做中小规模标注任务。我用标注工具3年，下面按我一般怎么搞的 doccano标注流程 展开：部署 → 建项目 → 灌数据 → 标注 → 交付。

🚀 doccano部署教程：三种方式任选，团队上Compose

部署有三种方式，按你掌控的粒度从低到高：

• Docker 单容器：docker pull doccano/doccano，创建容器时传入ADMIN_USERNAME、ADMIN_EMAIL、ADMIN_PASSWORD三个环境变量，数据目录挂到本地卷，重启不丢，默认 8000 端口。
• pip 安装：pip install doccano之后依次执行doccano init初始化数据库、doccano createuser --username admin --password pass建管理员、doccano webserver --port 8000起服务；另开一个终端跑doccano task，那是处理导入导出的任务队列。
• Docker Compose：把 nginx 前端、Django 后端、Postgres 数据库、RabbitMQ 队列和 Flower 任务面板（5555 端口）一起拉起来，最接近生产环境。

什么时候你会用到它？自己试水用单容器就够；给团队上生产就用 Compose，数据卷挂在宿主机，重建容器不影响数据。

git clone https://gitcode.com/gh_mirrors/do/doccano cd doccano/docker && cp .env.example .env docker-compose -f docker-compose.prod.yml --env-file .env up

部署完打开浏览器，Compose 里 nginx 映射到 80 端口，在 http://localhost 用 .env 里设好的管理员账号登录即可。

建项目：9种任务类型与3个关键开关

项目列表页点 Create。doccano 支持 9 种任务类型：文档分类、序列标注（NER 命名实体识别属于这类）、Seq2seq、意图检测与槽位填充、语音转文本、图像分类、Bounding Box、Segmentation、图像描述。选择时先想"训练数据最后长什么样"：一行一个标签选分类，字级区间选序列标注。

表单里有三个开关我会常开：

• 随机顺序：样本打乱出现，避免标注者对顺序形成肌肉记忆；
• 协作标注：开启后进度按项目整体统计，而不是每人各算各的；
• 允许成员创建标签类型：标注者可以在标注时直接补新标签，NER 任务中途冒出新高频实体时能省不少来回沟通。

另外把标注规范写进 guideline 字段，标注者拿不准的时候界面上就能查到。什么时候你会用到它？两个人做的项目保持默认就行；3 人及以上协作，前两个开关基本必开。

灌数据：导入格式匹配与两个体积参数

建完项目直接落在 Dataset 页面，点 Actions > Import Dataset 上传。

什么时候你会用到它？数据在 Excel 里就先导出 CSV 再传；JSONL 是最通用的格式，一行一个样本。导入页还有编码下拉框，别忽略：UTF-8 文件保持默认，旧 Excel 导出经常要选 gb18030 才不乱码。

两个体积相关的参数：导入批次由环境变量IMPORT_BATCH_SIZE控制，默认 1000，调大后大文件导入更快；单个上传文件上限默认 1GB（MAX_UPLOAD_SIZE），超了就拆文件。

⚡ 标注：先定标签与快捷键，再开自动标注

先别急着标，去 Labels 页把标签定义好，每个标签配快捷键和背景色。序列标注的标注者主要靠快捷键而不是鼠标，键位设计得好，速度差异明显。

手里有模型的话，用自动标注省掉初标：项目设置页的 Auto Labeling 标签页里选模板（如内置的 Amazon Comprehend Sentiment Analysis，或自定义 REST 请求），填请求参数和 Jinja2 映射模板，再把模型返回的标签逐一映射到项目标签。页面带测试按钮，先用样本文本验证映射逻辑再启用。什么时候你会用到它？文本分类这类重复任务，让模型先标、人只修正，单条耗时通常能砍掉一半；复杂 NER 的预标注错误较多，慎用。

标完之后盯 Metrics 标签页的三个数字：整体进度（完成/总数）、各成员进度、标签分布。某个标签分布和预期差得离谱，就是规范没对齐的信号。

交付：4种导出格式与3个协作角色

Dataset 页面点 Actions > Export Dataset。导出格式共 4 种：CSV、fastText、JSON、JSONL，能选哪些由任务类型决定，比如序列标注只有 JSONL。

doccano团队协作 靠三个角色：administrator、annotator、approver。添加成员时给合适角色，负责人可以同时兼标注，不用单设管理员账号。

我自己踩过的几个坑：

延伸阅读

• 部署与使用教程：docs/
• 导入管线与各任务示例文件：backend/data_import/
• 自动标注实现：backend/auto_labeling/

动手的话，先跑一个 5 条样本的文本分类项目，把导入、打标签、导出走一遍；再切序列标注练 NER；组内协作时打开协作标注，每周看一次标签分布，规范跑偏能早点发现。

【免费下载链接】doccanoOpen source annotation tool for machine learning practitioners.项目地址: https://gitcode.com/gh_mirrors/do/doccano