影片標註工具對比：CVAT、Label Studio、ELAN、BORIS 與 Potato

Name: Potato
Author: Potato

從目標跟蹤、時間片段、行為編碼和掩碼傳播幾個方面對比 CVAT、Label Studio、ELAN、BORIS、VIA、V7 與 Potato，並說明各自如何衡量一致性。

影片標註通常是兩類工作之一。目標跟蹤是用圖形框住某個東西並在各幀間跟隨它，CVAT 是這方面參考級的開源工具。時間標註是標出某件事發生的時間，ELAN 和 BORIS 是語言學和行為研究中的標準工具。Potato 在瀏覽器中為多標註者研究完成這兩類工作，並報告標註者在事件起止時間上的一致程度。

目標跟蹤在整段影片中跟隨一個物體，通常是在關鍵幀上畫出物體，再對中間的幀做插值。時間片段由開始時間、結束時間和一個標籤組成，例如一個動作或一次說話人話輪。掩碼傳播用模型把分割掩碼從一幀帶到下一幀。

本頁討論影片。所有資料類型放在一頁裡的對比見 AI 標註工具對比。

哪些影片標註工具值得比較？

工具	執行方式	許可證與費用	適合
Potato	自行部署的網頁應用	GPL-3.0，免費	多標註者研究：跟蹤、時間片段、按片段提問、一致性
CVAT	自行部署或託管	MIT；託管版每使用者每月 33 美元	大批次的邊界框、多邊形和點跟蹤
Label Studio	自行部署或託管	Apache-2.0 Community Edition，另有付費方案	用 `VideoRectangle` 做目標跟蹤，用 `TimelineLabels` 做幀區間標籤
ELAN	桌面應用	GPL-3.0	在最多四個關聯影片上按時間對齊的分層
BORIS	Linux、Windows、macOS 和 Android 桌面應用	GPL-3.0	記錄來自影片、音訊或現場觀察的行為事件
Prodigy	在本地執行的網頁應用	專有	藉助其音訊介面在影片上標註帶時間戳的區域
VIA 3	單個 HTML 檔案，在瀏覽器中離線執行	BSD-2-Clause	不裝任何東西的小型影片項目
V7、Supervisely	託管；Supervisely 也可自行部署	商業	帶模型掩碼傳播和託管工作流的跟蹤

跨幀跟蹤物體

CVAT 的軌跡模式把不同幀上的圖形關聯為同一個物體。標註者在幾個關鍵幀上調整圖形，CVAT 對中間的幀做線性插值，適用於矩形、多邊形和點。Label Studio 的 VideoRectangle 標籤為影片提供基於邊界框的目標跟蹤。V7、Supervisely 和 Segments.ai 通過插值做跟蹤，並用模型傳播掩碼。

Potato 的 video_annotation 方案有一個跟蹤模式，在關鍵幀之間對邊界框和多邊形做插值。基於 SAM 2 的掩碼傳播在伺服器上執行。瀏覽器端有一條更輕量的路徑，把掩碼向後續幀延續。見如何標註影片目標跟蹤。

標出事情發生的時間

Label Studio 的 TimelineLabels 標籤點選一次標註單幀，拖動則標註一段幀區間。ELAN 可以按方案需要，在任意多個層上把標註掛到時間軸上，支援受控詞表和最多四個同步影片。BORIS 記錄並編碼來自影片、音訊或現場觀察的行為事件。Prodigy 按影片時間戳記錄區域，VIA 3 除了影像和音訊也能標註影片。

在 Potato 中，時間片段在時間軸上標註。從 2.9 版起，segment_schemes 可以把任意標註類型放進片段裡，每個片段都能帶上自己的評分或自由文本問題。見影片標註。

影片標註的一致性

兩名標註者標一個事件的開始時，不會選中同一幀。所以時間一致性取決於：兩個標記相距多遠仍可算作同一個。

ELAN 內建了標註者間信度計算：一種修正的 Cohen κ，把重疊達到設定比例的標註對應起來；以及 Staccato 演算法，把一種切分與隨機生成的切分相比較，以考慮偶然因素。
Potato 報告重疊的時間 IoU、邊界位置的 α、標籤的 α，以及是否標出了事件的 α，並把匹配容差以多個取值的掃描來展示。它的文件寫明瞭一處侷限：片段重疊目前還沒有偶然基線。見時間上的一致性。
CVAT 的共識引擎用原始 IoU 對照每個類別的閾值來比較標註者。

對於軌跡和掩碼，Potato 用掩碼共識與 STAPLE 逐幀比較掩碼，用如何衡量邊界框上的標註者間一致性中介紹的幾何一致性來比較邊界框。

格式

Potato 把軌跡匯出為 MOT，把影片目標分割掩碼匯出為 DAVIS，把按時間對齊的標註匯出為 ELAN 可以開啟的 EAF。見計算機視覺格式。

Potato 中的跟蹤任務

yaml

annotation_schemes:
  - annotation_type: video_annotation
    name: tracks
    description: "Draw the object once, then press Track forward."
    source_field: video_url
    mode: tracking
    labels:
      - {name: subject, color: "#d1495b"}
    tracking_options:
      interpolation: linear
      auto_advance_frames: 5
    video_fps: 12
    frame_stepping: true

frame_stepping 讓標註者可以逐幀前進，auto_advance_frames 決定 Track forward 一次跳過多少幀。

Potato 在影片上不做的事

暫不支援逐物體屬性。 一條軌跡只帶一個標籤。遮擋和截斷標記需要配合一個額外的方案。
不在瀏覽器中做掩碼傳播。 SAM 2 傳播在伺服器上執行。
不提供託管的標註人員。 請自帶標註者，或在 Prolific 上招募。

以上內容於 2026 年 8 月和 9 月對照各項目的文件核實。

常見問題

最好的免費影片標註工具是哪個？

如果是大批次跟蹤物體，CVAT 免費、成熟且可自行部署。如果是按時間編碼行為或言語，ELAN 和 BORIS 是免費的桌面工具。如果研究中多名標註者在瀏覽器裡標註同一批影片並需要報告一致性，Potato 免費提供這些功能。

哪些影片標註工具能在關鍵幀之間插值？

CVAT 的軌跡模式在關鍵幀之間對矩形、多邊形和點做線性插值。Potato 的跟蹤模式對邊界框和多邊形做插值。V7 和 Supervisely 除了插值，還用模型傳播掩碼。Label Studio 的 VideoRectangle 跟蹤邊界框。

影片行為編碼應該用什麼？

BORIS 和 ELAN 是成熟的免費工具，ELAN 還能計算層對之間的標註者間信度。如果一套編碼方案由多名編碼者在瀏覽器中執行，並需要報告所有人之間的一致性，Potato 的時間片段可以勝任。

影片標註的一致性怎麼衡量？

對於事件，在一定容差內把各標註者的片段配對，報告重疊、邊界一致性和標籤一致性，最好覆蓋多個容差，因為 0.25 秒和 2 秒下的一致性是不同的結論。對於軌跡，逐幀比較圖形，邊界框和掩碼用 IoU。

Potato 的影片掩碼傳播在哪裡執行？

在伺服器上，使用 SAM 2。瀏覽器端有一條更輕量的路徑，不借助模型就把掩碼複製到下一幀。