CVAT项目v2.38.0版本发布:数据测量与流程优化
项目简介
CVAT(Computer Vision Annotation Tool)是一个开源的计算机视觉标注工具,广泛应用于机器学习领域的数据标注工作。作为一款功能强大的标注平台,CVAT支持图像和视频数据的标注,并提供多种标注格式的导入导出功能。本次发布的v2.38.0版本带来了一系列实用改进和优化。
核心功能更新
数据资源测量机制
本次版本引入了一个重要的新特性——数据资源测量系统。该系统能够自动测量用户上传的各种数据资源(包括图像、视频和指南资产)的大小。这一改进为系统管理员提供了更好的资源监控能力,有助于:
- 更精确地掌握存储空间使用情况
- 优化资源分配策略
- 为计费系统提供数据支持
对于现有资源,管理员需要执行python manage.py initcontentsize命令来初始化测量数据。这一设计既保证了新上传资源的自动测量,又为历史数据提供了迁移方案。
事件导出缓存优化
为了提高系统性能和稳定性,本次更新对事件导出缓存机制进行了优化:
- 缓存文件存储位置从
/data/tmp/迁移到专门的/data/cache/export/目录 - 新增了定期清理机制,通过
cleanup_export_cache_directory定时任务自动维护缓存空间
这种改进不仅使文件管理更加规范,还能有效防止临时文件堆积导致的存储空间问题。
API接口调整
事件处理流程重构
v2.38.0版本对事件处理相关的API进行了重大调整:
-
废弃了
GET /api/events端点,转而推荐使用新的三步流程:- 通过
POST /api/events/export发起导出请求 - 使用
GET /api/requests/rq_id查询处理状态 - 从后台请求详情中获取结果URL进行下载
- 通过
-
类似地,质量报告接口也进行了简化,废弃了
POST /api/quality/reports/rq_id=rq_id,统一使用请求状态查询接口
这种调整使API设计更加一致,降低了使用复杂度。
废弃的状态检查功能
为了提高API的简洁性,本次更新移除了多个端点中的状态检查功能,包括:
- 共识合并接口
- 项目数据集导入状态接口
- 项目和任务备份接口
- 任务和作业标注更新接口
相应的SDK类(如DatasetWriteRequest等)也被移除,开发者需要适应新的API使用方式。
功能改进与问题修复
标注格式兼容性增强
针对YOLO格式的导入功能进行了多项优化:
- 支持从文件夹结构的归档文件中导入数据集
- 修复了Ultralytics YOLO格式在没有图像信息时的导入问题
这些改进显著提升了YOLO格式的兼容性,使数据导入过程更加顺畅。
质量控制功能修复
质量相关功能也获得了多项修复:
- 解决了"检查方向"设置保存后不更新的问题
- 修复了项目质量页面只显示前10个任务的限制
- 改进了备份恢复功能中资产所有者字段的处理
安全增强
本次发布修复了一个重要的安全问题,防止了通过可浏览API泄露某些资源名称和ID的风险。这一修复增强了系统的安全性,保护了用户数据的隐私。
总结
CVAT v2.38.0版本通过引入数据资源测量、优化缓存管理、重构API接口等一系列改进,进一步提升了系统的稳定性、安全性和易用性。这些变化既考虑了现有用户的使用习惯,又为系统未来的扩展奠定了基础。对于管理员和开发者而言,建议关注API变更和数据测量功能的集成,以确保平滑升级到新版本。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00