# label-studio

**Repository Path**: wanglei2jq/label-studio

## Basic Information

- **Project Name**: label-studio
- **Description**: 基于 HumanSignal/label-studio 的二次开发版本，在原有数据标注功能基础上增加了 超级管理员（Superuser）权限体系、多组织管理能力 和 YOLO 模型训练集成
- **Primary Language**: Unknown
- **License**: Apache-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 2
- **Created**: 2026-07-29
- **Last Updated**: 2026-07-29

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Label Studio (改造版)

基于 [HumanSignal/label-studio](https://github.com/HumanSignal/label-studio) 的二次开发版本，在原有数据标注功能基础上增加了 **超级管理员（Superuser）权限体系**、**多组织管理能力** 和 **YOLO 模型训练集成**。

---

## 改造内容

### 1. 权限体系改造：超级管理员（Superuser）

原版 Label Studio 中所有已登录用户权限一致，任何用户都可以创建组织。改造后引入了 **Superuser** 角色，实现分级权限控制：

| 操作 | Superuser | 普通用户 |
|------|-----------|----------|
| 创建组织 | ✅ | ❌ |
| 查看所有组织 | ✅ | ❌（仅可见自己所属组织） |
| 删除组织 | ✅（仅空组织） | ❌ |
| 查看所有用户 | ✅ | ❌（仅可见本组织成员） |
| 将用户添加到组织 | ✅ | ❌ |
| 将用户从组织移除 | ✅ | ❌ |
| 修改用户的活跃组织 | ✅ | ❌ |

**后端实现：**

- `core/permissions.py` — 新增 `is_superuser` 权限检查函数，将 `organizations_create` 权限覆盖为仅 Superuser 可执行，其余权限保持 `is_authenticated`
- `users/api.py` — Superuser 的 `get_queryset` 返回 `User.objects.all()`，而非仅本组织用户；新增三个 Superuser 专属 API
- `users/serializers.py` — Superuser 可见非本组织成员（不标记为已删除）；新增 `is_superuser` 字段到用户序列化输出

### 2. 新增 Superuser 专属 API

#### 组织管理 API

| 路径 | 方法 | 说明 |
|------|------|------|
| `/api/organizations/all` | GET | 获取所有组织列表（含成员数） |
| `/api/organizations/<pk>/delete` | DELETE | 删除空组织（有成员时拒绝） |
| `/api/organizations/user/<pk>/active-organization` | PATCH | 修改用户的活跃组织 |

#### 用户-组织管理 API

| 路径 | 方法 | 说明 |
|------|------|------|
| `/api/users/<pk>/organizations/` | GET | 查看用户所属的所有组织 |
| `/api/users/<pk>/organizations/add/` | POST | 将用户添加到指定组织 |
| `/api/users/<pk>/organizations/<org_id>/` | DELETE | 将用户从指定组织移除 |

### 3. 前端改造

#### 新增"组织列表"页面（OrganizationListPage）

- Superuser 可浏览所有组织及其成员数，可创建新组织，可删除无成员的组织
- 普通用户仅可见自己的组织
- 选中组织后右侧展示该组织成员列表

#### 新增"People"页面（PeoplePage）

- 仅 Superuser 可访问（菜单栏中仅 Superuser 可见）
- 全局用户列表（带搜索、分页）
- 选中用户后右侧面板显示：
  - 用户所属组织列表（标记活跃组织）
  - 修改用户活跃组织的下拉选择
  - 将用户添加到新组织 / 从组织移除的操作

#### 新增"创建组织"对话框（CreateOrganizationModal）

- 仅 Superuser 可通过组织列表页触发
- 输入组织名称即可创建

#### 导航栏改造（Menubar）

- 新增 "People" 菜单项，仅 Superuser 可见
- 原有 "Organization" 菜单项改为显示组织列表而非成员列表

### 4. Bug 修复与健壮性增强

多处原版代码依赖 `organization.created_by` 关系访问，当 `created_by_id` 为空时会产生异常。改造后统一添加了安全检查：

- `organizations/models.py` — `is_owner` 判断改用 `created_by_id` 而非 `created_by.id`，避免无创建者时的 `NoneType` 错误
- `core/feature_flags/utils.py` — 安全获取 `created_by.email`
- `data_export/mixins.py` / `data_export/models.py` — 导出功能中 `access_token` 获取增加异常保护
- `jwt_auth/models.py` — JWT 权限判断改用 `created_by_id`
- `organizations/serializers.py` — `OrganizationIdSerializer` 新增 `member_count` 字段

### 5. 组织删除功能完善

`organizations/functions.py` 中的 `destroy_organization` 函数从仅删除项目扩展为完整清理：

- 删除组织成员（OrganizationMember）
- 删除项目（Project）
- 删除转换格式（ConvertedFormat）
- 删除标签（Label / LabelLink）
- 删除 Webhook
- 删除 ML 相关对象（ModelInterface / ThirdPartyModelVersion / ModelRun / ModelProviderConnection）
- 删除会话策略（SessionTimeoutPolicy）
- 删除 SAML / JWT 配置
- 置空指向该组织的用户的 `active_organization`
- 最终删除组织本身

### 6. YOLO 模型训练集成

集成 `cv-ultralytics` 训练引擎，在标注平台内直接训练 YOLO 模型：

- **入口**：Projects 列表页 **Train** → `/projects/train`（全局训练，不挂在单个项目内）
- **多项目训练集**：可勾选多个项目合并导出后一起训练（各类别须与配置 `classes` 一致）
- **任务驱动**：每次启动产生一条训练任务，进度 / 日志 / 报错 / 模型下载均在任务详情中查看
- **配置管理**：独立「配置管理」页，支持完整 YOLO 超参；启动时可选择 YOLO 版本（v5/v8/v9/v10）与尺寸档位（任务类型由配置自动带出）
- **自动数据流转**：导出 YOLO 格式 → 划分数据集 → 生成 `data.yaml` → 训练
- **数据划分**：与 `cv-ultralytics` 原仓库一致 — **训练集 80% / 验证集 15% / 测试集 5%**
- **预训练权重**：本地 `cv-ultralytics/.../models/` 有对应 `.pt` 则直接用，否则走国内镜像竞速下载
- **产物**：可下载 `best.pt` / `last.pt`，并展示 F1 等训练曲线（若生成）
- **训练调度**：标注端导出后按「训练机」**SSH 派发**到 GPU 机执行（也支持同机 `--profile gpu` 的 RQ Worker）
- **GPU 支持**：训练在 GPU 机；标注端 `app` 无需 GPU
- **多训练机**：Train → 训练机 填写 IP / SSH，测试连接后开训可选机器

支持的训练任务类型：
- `obb`：旋转边界框检测（Oriented Bounding Box）
- `detect`：标准目标检测
- `cls`：图像分类（需 Choices 标注）
- `seg`：实例分割（需 PolygonLabels）

---

## 怎么跑起来（看这一节就够）

| 我现在… | 看下面 |
|---------|--------|
| **部署标注端（网页 / 数据 / DB，Docker）** | **① 标注端 Docker（推荐）** |
| 自己电脑改代码 | **② 本地开发** |
| **部署 GPU 训练端** | **③ 训练端部署（本文）** |

用的时候：浏览器打开网页 → Projects → **Train** → 选项目 / 训练机开训 → 下载模型。

**角色约定：**

| 端 | 职责 | 要不要 GPU |
|----|------|------------|
| **A 标注端** | 网页、Postgres、Redis、导出数据包、派发任务 | 否 |
| **B 训练端** | 收包、YOLO 训练、回传 `best.pt` | 是 |

---

### ① 标注端 Docker（推荐生产用法）

标注端 **不需要 GPU**。
#### 目录

```text
label-studio/                 ← 仓库根目录
├── docker-compose.yml
├── .env.example              ← 复制成 .env 再填
├── .env                      ← 本机配置（勿提交）
├── mydata/                   ← 数据 / 媒体 / SSH 密钥（自动出现）
├── postgres-data/
├── redis-data/
└── cv-ultralytics/           ← 可空目录挂载；真正训练在 GPU 机
```

#### 配置（先空着，由部署同事填写）

```bash
cp .env.example .env
# 编辑 .env，至少填下面两项（当前仓库里刻意留空）：
#   LABEL_STUDIO_HOST=          # 对外访问地址，如 http://<待填>:8080
#   TRAINING_A_BIND_HOST=       # 训练机连回标注端的内网 IP，如 10.x.x.x
```

`.env.example` 里其余训练相关项也可保持空；默认 `TRAINING_DATA_MODE=ssh`，由页面「训练机」SSH 派发，**不必**在标注端起 `training-worker`。

#### 启动（复制执行）

```bash
cd /path/to/label-studio

# 1）准备配置
cp -n .env.example .env
# 填写 LABEL_STUDIO_HOST、TRAINING_A_BIND_HOST 后再上线

# 2）确保数据目录可被容器用户写入（镜像内 uid 1001）
mkdir -p mydata postgres-data redis-data cv-ultralytics
chown -R 1001:0 mydata || true

# 3）只起标注端（nginx + app + db + redis），不要加 --profile gpu
docker compose --env-file .env up -d --build nginx app db redis

# 4）首次：迁移 + 管理员
docker compose --env-file .env run --rm app \
  python3 /label-studio/label_studio/manage.py migrate
docker compose --env-file .env run --rm app \
  python3 /label-studio/label_studio/manage.py createsuperuser
```

浏览器打开：`http://<LABEL_STUDIO_HOST 对应地址>`（默认映射宿主机 **8080**）。

#### 开训前在网页里做的事

1. **Train → 训练机**：填训练机内网 IP、SSH 用户、密码 → 测试连接（成功后密码不落库，密钥在 `mydata/ssh/`）。
2. **Train → 开始训练**：选项目、配置、训练机后开训。

标注端容器需能访问训练机 `IP:22`；训练机需能访问标注端 **5432 / 6379**（compose 已暴露，防火墙放行由部署同事处理）。

#### 更新标注端

```bash
git pull
docker compose --env-file .env up -d --build nginx app db redis
docker compose --env-file .env run --rm app \
  python3 /label-studio/label_studio/manage.py migrate
```

#### 可选：同机带 GPU 的 RQ Worker

仅当标注和训练在同一台 Docker 主机、且要用共享盘模式时：

```bash
# 先把 .env 里 TRAINING_DATA_MODE=shared
docker compose --env-file .env --profile gpu up -d training-worker
```

多机 SSH 派发场景 **不要** 启用。

---

### ② 本地开发（自己电脑）

```bash
TRAINING_EXECUTOR=local
TRAINING_DATA_MODE=shared
```

```bash
pip install poetry
poetry install
pip install torch torchvision ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

DJANGO_DB=sqlite DJANGO_SETTINGS_MODULE=core.settings.label_studio \
  poetry run python label_studio/manage.py migrate
DJANGO_DB=sqlite DJANGO_SETTINGS_MODULE=core.settings.label_studio \
  poetry run python label_studio/manage.py createsuperuser

TRAINING_EXECUTOR=local TRAINING_DATA_MODE=shared make run-dev
```

浏览器：`http://localhost:8080`。改前端后再：`cd web && yarn install && yarn run build`。

---

### ③ 训练端部署（GPU 机）

训练端有两种用法，**不要混用同一台机的两套调度**：

| 模式 | 谁拉起训练 | B 要不要常驻进程 | 推荐 |
|------|------------|------------------|------|
| **A. 页面 SSH 派发（默认）** | A 经 SSH 在 B 上跑 `python -m training.remote_runner` | **不必**常驻 Worker；装好环境即可 | ✅ 推荐 |
| **B. RQ Worker** | B 常驻 `rqworker training` 听 Redis | 要常驻 | 备选 |

---

#### ③-A 推荐：页面 SSH 派发（conda）

流程：网页「训练机」填 B 的 IP/账号/密码 → 测试连接（A 把公钥写入 B）→ 开训时 A 把 `export.zip` scp 到 B → SSH 执行 `training.remote_runner` → 训完后 B 再把产物 scp 回 A。

##### 1）目录（B 上）

路径须与网页「训练机 → 代码目录」一致（默认如下）：

```text
/root/label-studio/                 # 或 /root/label-stdio，与页面 remote_root 一致
├── label_studio/                   # Django 后端（含 training/）
├── cv-ultralytics/                 # YOLO 引擎 + 预训练权重/runs
│   ├── ultralytics/
│   └── ...
└── mydata/                         # 自动出现：收包、解压、临时产物
    └── media/training_xfer/job_<id>/
```

```bash
# 示例：克隆到默认路径
git clone <本仓库地址> /root/label-studio
cd /root/label-studio
# 确保 cv-ultralytics 齐全（权重可首次训练时再下）
```

##### 2）Python 环境（B 上，CentOS7 / glibc 2.17 注意用 conda 装二进制）

A 端派发脚本会尝试：`conda activate lable` 或 `conda activate label-studio`。  
**请把环境建成这两个名字之一**（推荐 `lable`，与现网一致）。

```bash
source /root/miniforge3/etc/profile.d/conda.sh   # 按实际 conda 路径改
conda create -n lable python=3.11 -y
conda activate lable

# 易编译失败的包优先 conda
conda install -y "numpy>=2.2.6,<3" pandas pillow contourpy matplotlib \
  gxx_linux-64 gcc_linux-64 -c conda-forge

# CUDA 版 PyTorch（驱动 12.x 可用 cu118）
pip install torch torchvision \
  --index-url https://download.pytorch.org/whl/cu118 \
  --extra-index-url https://pypi.tuna.tsinghua.edu.cn/simple

pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

# 安装本仓库（Label Studio + training）
cd /root/label-studio
pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple
# 若再卡编译：对该包 conda install -y <包名> -c conda-forge 后重试

# 验证
python -c "import torch,django,ultralytics; print(torch.__version__, torch.cuda.is_available(), django.__version__)"
```

AMP 检查还需要样例图（路径多一层 `ultralytics`）：

```bash
mkdir -p cv-ultralytics/ultralytics/ultralytics/assets
# 若仓库已有 cv-ultralytics/ultralytics/assets/bus.jpg：
cp -n cv-ultralytics/ultralytics/assets/bus.jpg \
      cv-ultralytics/ultralytics/ultralytics/assets/bus.jpg
```

##### 3）系统与网络（B 上）

```bash
# SSH 服务（给 A 登录）
systemctl enable --now sshd   # 或 ssh

# 防火墙：允许 A 访问 22；B 需能访问 A 的 5432、6379、以及回传用的 22
```

| 方向 | 端口 | 用途 |
|------|------|------|
| A → B | 22 | 测连通、推包、拉起 `remote_runner` |
| B → A | 5432 / 6379 | 读写训练任务状态 |
| B → A | 22 | 训完 scp 回传 `best.pt`（B 需有能登 A 的密钥，或由运维配好） |

##### 4）在 A 网页登记训练机

1. 打开 **Train → 训练机**
2. 填写：显示名、**内网 IP**、SSH 用户、密码、**代码目录**（如 `/root/label-studio`）
3. **测试连接**（成功后公钥写入 B，密码不落库）
4. 开训：选项目 + 配置 + 该训练机

A 的 `.env` 须已填 `TRAINING_A_BIND_HOST=<A 内网 IP>`，否则远程环境里的 `POSTGRE_HOST` / `REDIS_HOST` 可能不对。

##### 5）日志与产物（B 上）

```bash
# 某次任务日志（A 派发后生成）
tail -f /root/label-studio/mydata/media/training_xfer/job_<id>/remote_train.log

# 训练过程目录
ls /root/label-studio/cv-ultralytics/runs/job_<id>/

# 预训练权重（会保留）
ls /root/label-studio/cv-ultralytics/ultralytics/ultralytics/models/
```

训完后：临时 `export.zip` / 划分数据集一般会清掉；`best.pt` 等回传到 A 的  
`mydata/media/training_xfer/job_<id>/artifacts/`，网页可下载。

##### 6）本模式要不要「启动服务」？

**不要**为 SSH 派发单独起常驻 `rqworker`。  
环境装好、sshd 开着即可；真正训练进程由 A 临时拉起 `training.remote_runner`。

---

#### ③-B 备选：本机常驻 RQ Worker（conda）

适用：不走页面 SSH 派发，B 自己听 Redis `training` 队列。  
与 ③-A **不要**在同一台机同时当默认调度方式混用而不加说明。

```bash
# 1）同 ③-A 装好 conda 依赖与代码

# 2）准备 SSH 私钥（Worker 从 A 拉包 / 回传），例如：
mkdir -p /root/label-studio/ssh
# 放入能登录 A 的私钥 → ./ssh/id_rsa ，chmod 600
# A 的 authorized_keys 需包含对应公钥

# 3）启动（可参考仓库根目录 start-training-worker.sh，按实际路径改）
cd /root/label-studio
export DJANGO_DB=default
export DJANGO_SETTINGS_MODULE=core.settings.label_studio
export POSTGRE_HOST=<A内网IP>
export POSTGRE_NAME=postgres
export POSTGRE_USER=postgres
export POSTGRE_PASSWORD=
export POSTGRE_PORT=5432
export REDIS_HOST=<A内网IP>
export REDIS_PORT=6379
export TRAINING_DATA_MODE=ssh
export TRAINING_SSH_HOST=<A内网IP>
export TRAINING_SSH_USER=root
export TRAINING_SSH_KEY=/root/label-studio/ssh/id_rsa
export TRAINING_SSH_REMOTE_DATA=/root/label-studio/mydata   # A 宿主机 mydata 绝对路径
export CV_ULTRA_PATH=/root/label-studio/cv-ultralytics

# 使用你的 conda 环境里的 python
python label_studio/manage.py rqworker training
```

后台示例：

```bash
nohup python label_studio/manage.py rqworker training \
  > /root/label-studio/training-worker.log 2>&1 &
tail -f /root/label-studio/training-worker.log
```

A 端此时应使用 RQ 入队（`TRAINING_EXECUTOR=rq`），且训练机节点模式与队列名一致。

---

#### ③-C 备选：Docker 训练 Worker

```bash
cd /root/label-studio

# 前置
# 1）安装 NVIDIA Container Toolkit，并确认：docker run --rm --gpus all nvidia/cuda:12.2.0-base-ubuntu22.04 nvidia-smi
# 2）./ssh/id_rsa 存在且能 SSH 登录 A；A 防火墙放行 5432/6379
# 3）./cv-ultralytics 齐全

export POSTGRE_HOST=<A内网IP>
export REDIS_HOST=<A内网IP>
export TRAINING_DATA_MODE=ssh
export TRAINING_SSH_HOST=<A内网IP>
export TRAINING_SSH_USER=root
export TRAINING_SSH_KEY=/ssh/id_rsa
export TRAINING_SSH_REMOTE_DATA=/root/label-studio/mydata   # A 宿主机路径

docker compose -f docker-compose.training.yml up -d --build
docker compose -f docker-compose.training.yml logs -f training-worker
```

注意：

- 首次 `--build` 较久；若 yarn 缓存损坏导致前端构建失败，清理 BuildKit 缓存后重试。
- 未装 **nvidia-container-toolkit** 时容器内无 GPU，不能训。
- 与「页面 SSH 派发」勿混用同一套未说明的环境。

---

#### ③ 训练端检查清单

| 项 | SSH 派发 (③-A) | RQ / Docker (③-B/C) |
|----|----------------|---------------------|
| 代码目录与页面一致 | ✅ | ✅ |
| conda + torch(CUDA) + ultralytics + 本仓库 | ✅ | ✅ |
| `cv-ultralytics` + `assets/bus.jpg`（AMP） | ✅ | ✅ |
| sshd / A→B:22 | ✅ | 按需 |
| B→A:5432、6379 | ✅（remote_runner 写库） | ✅ |
| B→A SSH 回传密钥 | ✅（训完 scp） | ✅（Worker scp） |
| 常驻 `rqworker` | ❌ 不需要 | ✅ 需要 |
| A `.env` 中 `TRAINING_A_BIND_HOST` | ✅ | 按需 |

---

### 出问题先看这

| 现象 | 怎么办 |
|------|--------|
| 网页起不来 | `docker compose ps` / `docker compose logs app nginx` |
| 测试连接失败 | 容器能否访问训练机 22 端口；密码是否正确；镜像是否含 paramiko（需 `--build`） |
| 下拉里一直「离线」 | 与顶部状态不一致时强刷；「离线」= 训练进程未跑，SSH 通会显示「SSH已通」 |
| 本地点训练没反应 | 确认 `TRAINING_EXECUTOR=local` |
| `mydata/ssh` 写不了 | `chown -R 1001:0 mydata` |
| 训练失败缺 `bus.jpg` | 拷到 `cv-ultralytics/ultralytics/ultralytics/assets/bus.jpg` |
| AMP 慢 / 反复下 `yolov8n.pt` | 文件落在进程 CWD；可事先放到启动目录 |
| Docker 无 GPU | 安装 nvidia-container-toolkit 并重启 dockerd |
| RQ Worker 起不来 | 检查 `POSTGRE_HOST` / `REDIS_HOST` 是否指向 A 且端口通 |
| SSH 派发后 B 无进程 | 看 `mydata/media/training_xfer/job_*/remote_train.log`；确认 conda 名为 `lable` 或 `label-studio` |

---

## 更新项目

当仓库有新代码推送后，按以下步骤更新：

```bash
# 1. 拉取最新代码
git pull

# 2. 标注端 Docker：重新构建并启动（前端变更会在镜像构建时打包）
docker compose --env-file .env up -d --build nginx app db redis

# 3. 运行数据库迁移（training 等新表/字段变更时必须执行）
docker compose --env-file .env run --rm app \
  python3 /label-studio/label_studio/manage.py migrate
```

**本地开发 / 非 Docker 更新：**

```bash
# 1. 拉取最新代码
git pull

# 2. 更新 Python 依赖（如果 pyproject.toml 有变化）
poetry install
# 若训练依赖有变，再确认 torch / ultralytics：
# pip install torch torchvision --index-url https://mirror.sjtu.edu.cn/pytorch-wheels/cu118
# pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

# 3. 更新并构建前端（TrainingPage / ApiConfig 等变更后必须 build）
cd web && yarn install && yarn run build && cd ..

# 4. 运行数据库迁移
poetry run python label_studio/manage.py migrate

# 5. 重启后端服务
make run-dev
```

> **注意**：每次更新后务必执行迁移；有前端改动时务必 `yarn build`，否则训练页/配置保存等新功能不会生效。

---

## 生产打包 / 发布

推荐把 **Docker 镜像** 作为生产环境交付物。这个仓库根目录下的 `Dockerfile` 已经包含前端生产构建、Python 依赖安装、`collectstatic` 和最终运行镜像封装，因此生产打包命令直接使用：

```bash
docker build -t <registry>/label-studio:<tag> .
```

例如：

```bash
docker build -t registry.example.com/label-studio:2026.05.06 .
docker push registry.example.com/label-studio:2026.05.06
```

如果只是想单独验证构建产物，也可以使用下面两个子命令：

```bash
# 仅构建前端生产包
make frontend-build

# 仅构建 Python 分发包（wheel / sdist）
poetry build
```

---

## 创建 Superuser

首次部署后需通过 Django 管理命令创建 Superuser：

```bash
# Docker Compose 环境
docker compose run app python3 /label-studio/label_studio/manage.py createsuperuser

# 本地开发环境
poetry run python label_studio/manage.py createsuperuser
```

创建的 Superuser 即可使用上述所有管理功能。

---

## 新增 API 快速参考

### 获取所有组织

```bash
curl -H "Authorization: Token <superuser_token>" \
  http://localhost:8080/api/organizations/all
```

### 创建组织

```bash
curl -X POST -H "Authorization: Token <superuser_token>" \
  -H "Content-Type: application/json" \
  -d '{"title": "New Org"}' \
  http://localhost:8080/api/organizations
```

### 删除空组织

```bash
curl -X DELETE -H "Authorization: Token <superuser_token>" \
  http://localhost:8080/api/organizations/1/delete
```

### 查看用户所属组织

```bash
curl -H "Authorization: Token <superuser_token>" \
  http://localhost:8080/api/users/3/organizations/
```

### 将用户添加到组织

```bash
curl -X POST -H "Authorization: Token <superuser_token>" \
  -H "Content-Type: application/json" \
  -d '{"organization_id": 2}' \
  http://localhost:8080/api/users/3/organizations/add/
```

### 将用户从组织移除

```bash
curl -X DELETE -H "Authorization: Token <superuser_token>" \
  http://localhost:8080/api/users/3/organizations/2/
```

### 修改用户活跃组织

```bash
curl -X PATCH -H "Authorization: Token <superuser_token>" \
  -H "Content-Type: application/json" \
  -d '{"active_organization": 2}' \
  http://localhost:8080/api/organizations/user/3/active-organization
```

### 获取训练模型配置列表

```bash
curl -H "Authorization: Token <token>" \
  http://localhost:8080/api/train/configs
```

### 查询可选预训练权重（按任务类型 / YOLO 版本）

```bash
curl -H "Authorization: Token <token>" \
  "http://localhost:8080/api/train/weights?task_type=obb&version=8"
```

### 启动训练（多项目）

```bash
curl -X POST -H "Authorization: Token <token>" \
  -H "Content-Type: application/json" \
  -d '{
    "config_name": "tree-obb",
    "project_ids": [1, 2],
    "yolo_version": "8",
    "yolo_scale": "x",
    "train_params": {"epochs": 1000, "batch": 16}
  }' \
  http://localhost:8080/api/train
```

### 训练任务列表 / 详情

```bash
curl -H "Authorization: Token <token>" \
  http://localhost:8080/api/train/jobs

curl -H "Authorization: Token <token>" \
  http://localhost:8080/api/train/jobs/1
```

---

## 项目结构

```
label-studio/
├── cv-ultralytics/                # ✨ YOLO 训练引擎（仅保留平台用到的子集）
│   ├── datasets_process/utils/group_img.py  # ✨ 数据集划分
│   └── ultralytics/               # YOLO 框架源码
├── label_studio/                  # Django 后端
│   ├── core/
│   │   ├── permissions.py         # ✏️ 权限体系改造（Superuser 权限）
│   │   └── feature_flags/utils.py # ✏️ 安全修复
│   ├── organizations/
│   │   ├── api.py                 # ✏️ 新增 3 个 Superuser API
│   │   ├── urls.py                # ✏️ 新增路由
│   │   ├── serializers.py         # ✏️ 新增 member_count 字段
│   │   ├── models.py              # ✏️ is_owner 修复
│   │   ├── functions.py           # ✏️ destroy_organization 完整清理
│   │   └── views.py               # ✏️ 使用 react_page.html
│   │   └── templates/             # ✨ 新增 react_page.html
│   ├── users/
│   │   ├── api.py                 # ✏️ 新增 3 个 Superuser API + queryset 扩展
│   │   ├── urls.py                # ✏️ 新增路由
│   │   └── serializers.py         # ✏️ is_superuser 字段 + Superuser 可见性
│   ├── data_export/
│   │   ├── mixins.py              # ✏️ access_token 安全获取
│   │   ├── models.py              # ✏️ access_token 安全获取
│   ├── jwt_auth/models.py         # ✏️ created_by_id 修复
│   ├── training/                  # ✨ 训练模块
│   │   ├── api.py                 # ✨ 训练 API（导出后 RQ 入队 / 本机回退）
│   │   ├── rq_jobs.py             # ✨ RQ Worker 入口（build_dataset + run_training）
│   │   ├── jobs.py                # ✨ rq_jobs 别名（分机方案）
│   │   ├── transfer.py            # ✨ 共享盘 / 内网拉包与产物回传
│   │   ├── paths.py               # ✨ 共享盘路径约定（DATA_ROOT / CV_ULTRA）
│   │   ├── models.py              # ✨ 训练任务、模型配置、训练日志、训练模型
│   │   ├── tasks.py               # ✨ 数据集划分 + YOLO 训练执行
│   │   ├── weights.py             # ✨ 预训练权重命名 / 国内镜像下载
│   │   ├── urls.py                # ✨ 训练模块路由
│   │   └── migrations/            # ✨ 数据库迁移（0001–0006）
│   └── ...
├── web/                            # React 前端
│   ├── apps/labelstudio/src/
│   │   ├── components/Menubar/    # ✏️ 新增 People 菜单项（Superuser 限定）
│   │   ├── config/ApiConfig.js    # ✏️ 新增 API 路由配置
│   │   ├── pages/
│   │   │   ├── Organization/
│   │   │   │   ├── OrganizationListPage/  # ✨ 新增组织列表页
│   │   │   │   └── PeoplePage/
│   │   │   │       ├── CreateOrganizationModal.tsx  # ✨ 新增创建组织对话框
│   │   │   │       ├── PeopleListTable.jsx  # ✨ 新增全局用户列表
│   │   │   │       ├── SelectedUserPanel.jsx # ✨ 新增用户组织管理面板
│   │   │   │       ├── PeopleList.jsx       # ✏️ 改造为支持 organizationId
│   │   │   │       └── PeoplePage.jsx       # ✏️ 改造为 Superuser 限定
│   │   │   └── index.js           # ✏️ 注册 PeoplePage、TrainingPage 路由
│   │   │   └── TrainingPage/      # ✨ 训练页面
│   │   │       ├── TrainingPage.jsx # ✨ 训练页面组件
│   │   │       └── TrainingPage.scss # ✨ 训练页面样式
│   ├── libs/core/src/types/user.ts # ✏️ 新增 is_superuser 类型
│   └── ...
├── docker-compose.yml              # app + redis + training-worker（GPU）
├── docker-compose.training.yml     # ✨ 仅 GPU 训练服 RQ Worker
├── Dockerfile                      # 生产镜像构建（已包含 YOLO 训练依赖）
├── Dockerfile.development          # 开发镜像构建
├── Makefile                        # 开发快捷命令
├── pyproject.toml                  # Python 项目配置（训练用 torch/ultralytics 需额外 pip）
└── ...
```

标注说明：✏️ = 修改已有文件，✨ = 新增文件

---

## 与原版的差异总结

| 维度 | 原版 Label Studio | 本改造版 |
|------|-------------------|----------|
| 组织创建 | 任何用户可创建 | 仅 Superuser 可创建 |
| 组织删除 | 不支持 | Superuser 可删除空组织 |
| 组织列表 | 仅见自己所属 | Superuser 可见全部（含成员数） |
| 用户管理 | 仅管理本组织成员 | Superuser 可管理所有用户 |
| 用户-组织关系 | 无法跨组织操作 | Superuser 可添加/移除用户到任意组织 |
| 活跃组织切换 | 仅用户自己 | Superuser 可为任意用户切换 |
| 导航菜单 | Organization = 成员列表 | Organization = 组织列表 + People（Superuser） |
| YOLO 训练 | 无 | Projects 级多项目训练 + 任务/配置/权重管理 |

---

## License

基于原版 [Apache 2.0 LICENSE](/LICENSE) © [Heartex](https://www.heartex.com/)。2020-2025