用途：为监督式机器学习项目系统地构建数据标注工作流，适用于需要标注训练数据、模型受标注样本不足限制、管理多标注者团队、衡量并提升标注质量，以及实现主动学习优先标注高价值样本的场景。
主要能力：安装配置 Label Studio 标注平台（支持 pip 与 Docker 部署）；设计标注界面与标签模式（类别、属性或标注类型）；准备数据并实现采样策略；开展质量控制与标注者间一致性测量（如 Cohen's Kappa）；导出并集成标注数据用于训练；搭建持续标注流水线并结合主动学习。需准备的输入包括无标注数据集、标签模式、标注指南，可选已有标注、模型预测（预标注）、预算与时间约束、领域专家。
使用方式：pip install label-studio；或 docker pull heartexlabs/label-studio:latest。创建项目目录后初始化并启动：label-studio init my_project 与 label-studio start my_project --port 8080，访问 http://localhost:8080。Docker 生产部署使用 docker-compose up -d。随后按步骤设计标注配置、导入数据、评审质量、导出并集成标签。
限制与注意事项：需保证标注指南清晰、设置 10-20% 重叠以测量一致性、标记难例供专家复核、随机化任务顺序以减少批次效应、定期反馈标注准确率、选择合适采样策略、必要时引入领域专家并追踪时间与预算。资料中未提供具体收费、价格及平台限制等信息。