保姆级EISeg交互式分割标注软件安装

EISeg(Efficient Interactive Segmentation)是以RITM及EdgeFlow算法为基础，基于飞桨开发的一个高效智能的交互式分割标注软件。涵盖了通用、人像、遥感、医疗、工业质检等不同方向的高质量交互式分割模型，方便开发者快速实现语义及实例标签的标注，降低标注成本。 另外，将EISeg获取到的标注应用到PaddleSeg提供的其他分割模型进行训练，便可得到定制化场景的高精度模型，打通分割任务从数据标注到模型训练及预测的全流程。

前提

建议先用anconda创建一个单独的虚拟环境，避免冲突

首先打开Anaconda Prompt

这里看到默认Conda安装路径，如果想要在默认路径下创建虚拟环境，直接使用如下命令：

conda create -n EISeg python=3.9(python版本要>=3.8)

安装步骤

1. 创建并激活虚拟环境（建议新建虚拟环境）

conda create -n eiseg python=3.8
conda activate eiseg

2. 安装paddlepaddle环境

这里默认安装的CPU版的，如果要安装GPU版，看 paddlepaddle 官方文档：https://www.paddlepaddle.org.cn/

python -m pip install paddlepaddle==2.6.1 -i https://pypi.tuna.tsinghua.edu.cn/simple

3. 安装eiseg（两种方式）

• pip安装

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple eiseg --trusted-host pypi.tuna.tsinghua.edu.cn

若启动执行python -m eiseg报以下错误：

AttributeError: module 'cv2.dnn' has no attribute 'DictValue'

卸载opencv-python，安装opencv-contrib-python即可解决

pip uninstall opencv-python
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-contrib-python --trusted-host pypi.tuna.tsinghua.edu.cn

在虚拟环境中输入python -m eiseg即可运行。

• 源码

参照EISeg开源网址：https://github.com/PaddlePaddle/PaddleSeg/tree/release/2.6/EISeg

 git clone https://github.com/PaddleCV-SIG/EISeg.git
 cd /d D:
 cd EISeg-develop
 pip install -r requirements.txt

运行

python -m eiseg

4. 模型准备

• 需加载*.pdiparams模型文件

模型下载路径：

PaddleSeg/EISeg at release/2.5 · PaddlePaddle/PaddleSeg · GitHub

注意：下载EdgeFlow模型，博主亲自体验过下载第一个模型，在加载这个模型的时候会直接闪退，也没有任何报错，就很奇怪，换成第三个模型进行加载就可以了

NOTE： 将下载的模型结构*.pdmodel及相应的模型参数*.pdiparams需要放到同一个目录下，加载模型时只需选择*.pdiparams结尾的模型参数位置即可， *.pdmodel会自动加载。在使用EdgeFlow模型时，请将使用掩膜关闭，其他模型使用时请勾选使用掩膜。其中，高精度模型推荐使用带有显卡的电脑，以便获得更流畅的标注体验。

下载完模型和解压后，像下面这个样子，这里我和虚拟环境的路径放在一起了，也可以放在其他地方

点击打开是

5. 简单使用

       5.1 载入训练权重

启动EISeg后，点击右上角加载网络参数，选择刚刚下载的是高精度的模型

开始加载会出现一系列Running

       5.2添加类别标签

在工具右侧点击添加标签按钮，添加自己分割任务中的目标类别。

每添加一个标签都可以自己随便选择一个喜欢的颜色（每个类别用不同的颜色区分）：

       5.3导出类别标签

然后建议导出标签信息（比如保存到label.txt文件中），方便下次使用：

简单分析下保存的标签内容，每行代表一个类别的信息，这些信息使用空格进行分隔。比如下面的第一行，1代表类别索引，dog代表类别名称，239 41 41代表这个类别在标注时使用的颜色（RGB三个值）。根据这些信息其实我们一开始就可以自己先构建出这个标签文件，然后直接加载这个标签就行了。

1 dog 239 41 41 
2 cat 245 128 6 

       5.4导入类别标签

同样点击标注->加载标签列表，选择上面刚刚讲到的标签文件即可。

       5.5标注图片

点击左上角文件，然后可以选择单张图片进行标注，或者点击打开文件夹对里面的图片一张张进行标注。

接着先在右侧的标签栏中选择要标注的目标类别，然后在图像的目标中用鼠标左键点一下增加一个正样本（图中会出现一个绿色的星号），然后模型会自动帮我们去抠出它认为的目标。

很明显，模型将人类的胳膊也当成了dog的一部分这是不对的，那么我们可以在胳膊的位置处点击鼠标右键，增加一个负样本点（图中会出现一个红色的星号），然后网络会把标注有负样本的区域给去掉，此时标注的基本就是正确的了。

标注完成后点击空格，会生成该目标的多边形边界（注意里面还包含了目标的bbox信息，即目标检测任务的信息），我们可以在该边界上新增（鼠标在边缘上左键双击）或者删除点（鼠标在边缘点上左键双击），并且拖动这些点的位置进行微调。标注完一张图片后点击保存按钮，然后会在当前文件夹下生成一个label文件夹（文件的输出位置可以在文件->改变标签保存路径更改保存目录）。

       5.6生成的标注信息

打开目标标注信息的目录，可以看到针对每张图片会默认会生成3张图片和一个coco.json文件（这个文件是所有图片共用的，和COCO的json的文件一样）。

• 其中1.png是之前在PASCAL VOC数据中介绍的语义分割mask标签文件（注意，这个文件并没有加上调色板信息。它就是一个灰度图，灰度值对应类别id）可参考我之前写的文章。
• 1_pseudo.png是一个彩色mask标签文件（其实只要1.png就够了），方便可视化。
• 1_foreground.png就是把前景抠出来了，也是方便可视化，感觉没啥用。
• coco.json是MS COCO的数据格式，具体参考我之前讲的MS COCO数据集文章，注意里面还包含了目标的bbox信息，即目标检测任务的信息（说明目标检测任务也能用）

       5.7更改标注数据格式

这里默认使用的是MS COCO的数据格式，你也可以设置成JSON保存格式，就和labelme标注工具一样，每张图片生成一个json文件。在工具左上角功能中进行设置。

6 常用快捷键

这里接直接复制官方文档中的快捷键：

部分按键/快捷键	功能
鼠标左键	增加正样本点
鼠标右键	增加负样本点
鼠标中键	平移图像
Ctrl+鼠标中键（滚轮）	缩放图像
S	切换上一张图
F	切换下一张图
Space（空格）	完成标注/切换状态
Ctrl+Z	撤销
Ctrl+Shift+Z	清除
Ctrl+Y	重做
Ctrl+A	打开图像
Shift+A	打开文件夹
E	打开快捷键表
Backspace（退格）	删除多边形
鼠标双击（点）	删除点
鼠标双击（边）	添加点