前言¶

在 DSH 里做杂草或田间作物的视觉数据集，常见两条路：用独立标注工具把「怎么标」写死在界面里，换物种或换拍摄条件就要改配置甚至改代码；要么全靠对话让模型逐张描述，难以落成可追溯的 Pascal VOC 目录结构。DeepSeek Harness 的插件机制允许把数据契约、存储、可视复核和导出固化在 Host 侧，而把经典 CV、检测器、多模态模型或手工策略留给对话里的 Agent。

下面介绍社区工作流类插件 dsh-weed-annotation-assistant（维护者 destinywalker2025-design）：插件只管协议与存档，怎么标注由 Agent 现场决定；侧栏负责看和挑错，不能自行发起标注。

这是什么¶

dsh-weed-annotation-assistant 是面向 DSH 的杂草图像标注协作协议实现：插件持有数据契约、review.json / flags.json 真源、侧栏复核与 anno_export 导出；对话中的 Agent 通过 anno_* 工具建项目、分批出稿、根据人工标记返工。插件不内置任何检测/分割模型，也不内置物种类别——类别完全来自你本地的参考图目录与标签说明文档。

与「又一个全功能标注桌面软件」的区别在于职责拆分：人通过复核面板标记四类错误；AI 读取标记后 anno_commit 修正；干净标签与问题原图在导出时自动分离，避免错标混入训练集。

核心功能¶

输入与输出¶

插件只认本地三样输入（路径由你在对话里指定，anno_open 会校验缺项并报错）：

images\     待标注图片，jpg / png / bmp / webp（必需，平铺在目录下）
refs\       每个杂草种类一个子文件夹 + 各标签英文名的说明文档（必需）
labeled\    已有手工标注，Pascal VOC（可选）

导出侧为 Pascal VOC 布局，并附带统计报告：

<导出目录>\
├─ Annotations\   未被判错的标注（每株杂草一个多边形 + 英文类别名）
├─ JPEGImages\    全部原图
├─ flagged\       被人工标错的图（对应 XML 不导出）
└─ report.json    总数、各类数量、错因清单

标注几何与训练注意¶

输出中的几何是 <polygon> 多边形，不是检测框架默认读取的 <bndbox> 矩形框。若直接把 XML 交给只认外接矩形的 YOLOv5/v8 等流程，可能整批被当成背景图且不一定报错。训练前需在训练侧自行转换（例如多边形取外接矩形，或转成分割格式）。这是刻意设计：多边形更贴合叶片轮廓，复核界面也依赖多边形展示。

Agent 工具与唯一写入口¶

anno_commit 单条结果可含 polygon 或 bbox、class、empty、confidence、method 等字段；项目内部以 <out>/review.json 为真源，Annotations/*.xml 由真源派生并可重建。

复核侧栏¶

安装并重启 DSH 后，侧栏出现「标注复核」。该面板不能自己发起标注；须先在对话中让 Agent 建项目并提交标注，存在 review.json 后界面才正常显示缩略图与多边形。控件包括刷新、返工（整理标记供粘贴回对话）、导出，以及四类错误码（类别错、框偏移、漏标、该空）与筛选能力。Agent 提交后界面约在 3 秒内自动刷新。

安装与启用¶

插件面向 DSH 0.2.x（README 记载桌面端 0.2.1 实测、CLI 0.1.0-rc.6 可安装）。需要 Node.js ≥ 20。许可证为 MIT。npm 包当前版本为 1.1.0（见仓库 package.json）；安装后依赖记为 ^1.x，补丁版本会自动跟上。插件市场尚未收录，请用命令行安装。

命令行（推荐）：

dsh plugin --profile <你的profile> add dsh-weed-annotation-assistant

桌面客户端的 profile 固定为 desktop：

dsh plugin --profile desktop add dsh-weed-annotation-assistant

装完重启 DSH。离线安装可从 GitHub Releases 下载 dsh-weed-annotation-assistant-1.0.1.tgz，再执行：

dsh plugin --profile desktop add <tgz 的绝对路径>

DSH 插件在本机以当前 DSH 进程权限运行，安装前应自行查看仓库源码与许可证，确认符合你的环境与合规要求。

典型用法¶

准备目录¶

示例布局（盘符与路径按本机修改）：

D:\data\
├─ images\              待标注图片
├─ refs\
│   ├─ 稗草1\           该类样例图
│   ├─ 马齿苋\
│   └─ labels.md        子文件夹与英文标签映射（格式任意，由 Agent 读取）
└─ labeled\             可选，已有 VOC

标签文档示例：

稗草1   → barnyard_grass
马齿苋  → purslane

Agent 读取后把 {子文件夹: 英文名} 作为 classMap 传给插件。

对话与工具顺序¶

README 给出的协作顺序如下：

你：帮我标注这批图，图片在 D:\data\images，参考图在 D:\data\refs，输出到 D:\data\out

AI：anno_open(images=..., refs=..., out=..., classMap={...})
    → 校验输入、建项目、返回类别与待标数量
AI：anno_worklist(out, filter="unlabeled")
    → 分批取文件（可调 anno_baseline 先出一版初稿）
AI：anno_commit(out, items=[{file, class, polygon, method:"ai"}])
    → 唯一写入口

你：侧栏「标注复核」翻一遍，把错的标红

AI：anno_review(out) → 按四类拿到标记 → anno_commit 修正
你：刷新 → 红框消失
AI：anno_export(out) → 三个目录

典型规模参考（来自 README）：单批约 1000～2000 张、每张 1～5 株杂草；参考图每类 3～20 张即可，仅用于 Agent 认类，不参与训练导出。

适用场景与注意¶

适合谁：已在 DSH 中以 Agent 驱动数据准备的团队；需要可换标注算法（基线 CV、检测器、多模态或人工）但希望 VOC 目录、复核与导出规则统一；类别随 refs 更换、不希望改插件代码。

应当知晓的限制：

• 复核页不含多边形绘制工具，漏标等问题需 Agent 重新定位；仍无法解决时，原图留在 flagged/ 交回人工。
• 插件不提高单张标注精度，只保证流程可追溯、错误可回流、导出时隔离错标。
• 可选 anno_baseline 需要 Python 3.10+ 与 opencv-python、numpy；不安装也可直接 anno_commit。
• 需要 DSH 提供 tools、webServer 等服务能力。

结尾¶

dsh-weed-annotation-assistant 把杂草图像标注拆成「Agent 决定怎么标 + 插件守住数据契约与交付形态」，适合在 DSH 工作流里迭代田间视觉数据集。更多说明见仓库 README 与 docs/SPEC.md。

• 社区目录页：https://www.skillhub.cn/plugins/destinywalker2025-design/dsh-weed-annotation-assistant
• 源码与文档：https://github.com/destinywalker2025-design/dsh-weed-annotation-assistant