深度学习图像标注工具汇总

对于监督学习算法而言,数据决定了任务的上限,而算法只是在不断逼近这个上限。世界上最遥远的距离就是我们用同一个模型,但是却有不同的任务。但是数据标注是个耗时耗力的工作,下面介绍几个图像标注工具:

Labelme

Labelme适用于图像分割任务的数据集制作:
这里写图片描述
它来自下面的项目:https://github.com/wkentaro/labelme
该软件实现了最基本的分割数据标注工作,在save后将保持Object的一些信息到一个json文件中,如下:
https://github.com/wkentaro/labelme/blob/master/static/apc2016_obj3.json
同时该软件提供了将json文件转化为labelimage的功能:
这里写图片描述

labelImg

Labelme适用于图像检测任务的数据集制作:
这里写图片描述
它来自下面的项目:https://github.com/tzutalin/labelImg
其中标签存储功能和“Next Image”、“Prev Image”的设计使用起来比较方便。
该软件最后保存的xml文件格式和ImageNet数据集是一样的。

yolo_mark

yolo_mark适用于图像检测任务的数据集制作:
这里写图片描述
它来自于下面的项目:https://github.com/AlexeyAB/Yolo_mark
它是yolo2的团队开源的一个图像标注工具,为了方便其他人使用yolo2训练自己的任务模型。在linux和win下都可运行,依赖opencv库。

Vatic

Vatic适用于图像检测任务的数据集制作:
这里写图片描述
它来自下面的项目:http://carlvondrick.com/vatic/
比较特别的是,它可以做视频的标注,比如一个25fps的视频,只需要隔100帧左右手动标注一下物体的位置,最后在整个视频中就能有比较好的效果。这依赖于软件集成的opencv的追踪算法。

Sloth

Sloth适用于图像检测任务的数据集制作:
这里写图片描述
它来自下面的项目:
https://github.com/cvhciKIT/sloth
https://cvhci.anthropomatik.kit.edu/~baeuml/projects/a-universal-labeling-tool-for-computer-vision-sloth/
在标注label的时候,该软件可以存储标签,并呈现标注过的图片中的bbox列表。

Annotorious

Annotorious适用于图像检测任务的数据集制作:

这里写图片描述

它来自下面的项目:
http://annotorious.github.io/index.html
代码写的相当规范,提供了相应的API接口,方便直接修改和调用。

RectLabel

RectLabel适用于图像检测任务的数据集制作:

这里写图片描述

它来自下面的项目:
https://rectlabel.com/
这是一个适用于Mac OS X的软件,而且可以在apple app store中直接下载。

VoTT

VoTT适用于图像检测任务的数据集制作:
这里写图片描述

它来自下面的项目:
https://github.com/Microsoft/VoTT/
微软的开源工具,既可以标注视频,也可以标注图片,而且支持已有模型的集成,功能强大。

IAT – Image Annotation Tool

IAT适用于图像分割任务的数据集制作:
这里写图片描述
它来自下面的项目:
http://www.ivl.disco.unimib.it/activities/imgann/
比较有特色的是,它支持一些基础形状的选择,比如要分割的物体是个圆形的,那么分割时可以直接选择圆形,而不是用多边形选点。

images_annotation_programme

images_annotation_programme适用于图像检测任务的数据集制作:
这里写图片描述
它来自下面的项目:
https://github.com/frederictost/images_annotation_programme

网页版的哦

除此之外,还有很多类似的工具,与上面的工具相比,并没有什么特色了,我们只给出链接,不详细介绍了:

ImageNet-Utils

https://github.com/tzutalin/ImageNet_Utils

labeld

https://github.com/sweppner/labeld

VIA

http://www.robots.ox.ac.uk/~vgg/software/via/

ALT

https://alpslabel.wordpress.com/2017/01/26/alt/

FastAnnotationTool

https://github.com/christopher5106/FastAnnotationTool

LERA

https://lear.inrialpes.fr/people/klaeser/software_image_annotation

在无人驾驶中,交通标志识别是一项重要的任务。本项目以美国交通标志数据集LISA为训练对象,采用YOLOv3目标检测方法实现实时交通标志识别。 具体项目过程包括包括:安装Darknet、下载LISA交通标志数据集、数据集格式转换、修改配置文件、训练LISA数据集、测试训练出的网络模型、性能统计(mAP计算和画出PR曲线)和先验框聚类。 YOLOv3基于深度学习,可以实时地进行端到端的目标检测,以速度快见长。本课程将手把手地教大家使用YOLOv3实现交通标志的多目标检测。本课程的YOLOv3使用Darknet,在Ubuntu系统上做项目演示。 Darknet是使用C语言实现的轻型开源深度学习框架,依赖少,可移植性好,值得深入学习和探究。 除本课程《YOLOv3目标检测实战:交通标志识别》外,本人推出了有关YOLOv3目标检测的系列课程,请持续关注该系列的其它课程视频,包括: 《YOLOv3目标检测实战:训练自己的数据集》 《YOLOv3目标检测:原理与源码解析》 《YOLOv3目标检测:网络模型改进方法》 另一门课程《YOLOv3目标检测实战:训练自己的数据集》主要是介绍如何训练自己标注的数据集。而本课程的区别主要在于学习对已标注数据集的格式转换,即把LISA数据集从csv格式转换成YOLOv3所需要的PASCAL VOC格式和YOLO格式。本课程提供数据集格式转换的Python代码。 请大家关注以上课程,并选择学习。 下图是使用YOLOv3进行交通标志识别的测试结果
©️2020 CSDN 皮肤主题: Age of Ai 设计师:meimeiellie 返回首页