Label Studio

Chaque projet part d'un bloc de configuration qui déclare les objets de données et les contrôles associés. Vous placez un outil rectangle sur une image, un outil de segment de texte sur une transcription, ou les deux sur la même tâche. Le format est assez court pour être édité à la main et assez structuré pour que l'application le valide. Cette souplesse explique pourquoi beaucoup d'équipes restent sur l'outil après le premier projet.

Images, texte, audio, vidéo, pages HTML et séries temporelles passent par le même modèle de tâche. Un enregistrement de centre d'appels se transcrit et s'étiquette sur un seul écran, et une vidéo accepte des boîtes image par image en plus de sa transcription. Label Studio Enterprise ajoute l'imagerie 3D et le LiDAR, absents de l'édition Community.

La galerie de modèles couvre les besoins courants : détection d'objets, segmentation sémantique, reconnaissance d'entités, réponse à des questions, analyse de sentiment, diarisation des locuteurs et OCR de documents. Chaque modèle est une configuration qui fonctionne, pas une capture d'écran : vous en choisissez un et ajustez les étiquettes au lieu d'écrire l'interface depuis zéro. Ils servent aussi de référence lisible quand vous créez quelque chose de sur mesure.

Un backend ML est un petit service HTTP qui renvoie des prédictions pour les tâches. Vous le branchez et la sortie du modèle apparaît comme une pré-annotation que les annotateurs acceptent, corrigent ou rejettent. Un écran vide devient alors un travail de correction, généralement plus rapide et plus régulier. Le backend peut aussi fournir un score de confiance, ce qui permet au gestionnaire de données de remonter les tâches les moins sûres.

Les connexions de stockage source récupèrent les tâches depuis Amazon S3, Google Cloud Storage, Azure Blob Storage, Redis ou un répertoire local, et les fichiers sont servis par URL présignées plutôt que copiés dans l'application. Le stockage cible enregistre chaque annotation dans un fichier JSON. Les exports couvrent JSON, CSV, TSV, COCO, Pascal VOC, YOLO, CoNLL2003 et un manifeste ASR, ce qui supprime une bonne partie du code de collage autour de l'entraînement.

L'API REST expose les projets, les tâches, les annotations, les prédictions et les connexions de stockage. Un SDK Python enveloppe les mêmes endpoints, et les webhooks préviennent un service externe à la création, à la mise à jour ou à la suppression d'une annotation. Les équipes s'en servent pour lancer un réentraînement, synchroniser les étiquettes avec un entrepôt de données ou bâtir un portail interne léger au-dessus du service d'étiquetage.