X-AnyLabeling标注工具的使用

前言

项目链接：https://github.com/CVHub520/X-AnyLabeling/tree/main

X-AnyLabeling 是一款全新的交互式自动标注工具，其基于 Labelme 和 Anylabeling 等诸多优秀的标注工具框架进行构建，在此基础上扩展并支持了许多丰富的模型和功能，并借助Segment Anything和 YOLO 系列等目前主流和经典的深度学习模型提供强大的 AI 能力支持。无须任何复杂配置，下载即用，大大降低用户使用成本，同时支持自定义模型和快捷键设置等，极大提升用户标注效率和使用体验!

X-AnyLabeling 具备以下优势：

• 支持中英文一键切换，随心所欲；
• 支持必要的快捷键操作，可自定义设置；
• 支持CPU和GPU一键推理，可按需选取；
• 提供详细的操作手册及交流社区，帮助用户快速解决问题；
• 支持Windows、Linux和MacOS等多个主流的操作系统，同时支持用户自编译；
• 提供多种标注样式，包括多边形、矩形、线段、点、圆形、文本等，以满足用户的多元化的需求.
• 支持多种导出格式，包括 YOLO-txt、COCO-json、VOC-xml 以及图片掩码等，只需一键运行，即可满足日常训练所需标签样式。
• 提供多种模型架构，包括但不仅限于YOLO系列、DETR系列和SAM系列等，可无缝衔接OpenMMLab、PaddlePaddle、timm等多个主流的深度学习框架，同时支持自定义模型导入。
• 支持多种任务模式，包括目标检测、语义分割、姿态估计、人脸关键点回归、文本检测、识别和KIE（关键信息提取）标注等。

此外，为了加速模型推理速度，提供了多个量化版本及LRU缓冲机制，极大提升用户体验。

AI标注功能：

第一： 目标检测 & 语义分割

提供了多个yolo的模型

第二：细粒度检测分类

细粒度与粗粒度概念对比

• 粗粒度：类间appearance差异较大，如猫、鸟、鱼、飞机、汽车等
• 细粒度：类间差异较小，如不同品种的犬类之间，不同型号的飞机之间等

例如下面的例子使用YOLOv5s-ResNet50模型进行分类

第三：人脸检测+关键点回归

例如下面的例子使用YOLOv6Lite-Face模型进行分类

第四：全身人体姿态估计

例如下面的例子使用YOLOX+DWPose模型进行分类

第五：车道线检测

例如下面的例子使用CLRNet-tusimple-r18模型进行分类

第六：医学图像分割

超声波乳腺癌分割 | 结直肠息肉分割 | 皮肤镜病变分割

第七：自然图像分割

使用SAM-ViT-B、SAM-ViT-L、SAM-ViT-H或者Mobile-SAM模型进行分割。

第八：OCR

文本标签是许多标注项目中的一项常见任务，但遗憾的是在 Labelme 和 LabelImg 中仍然没有得到很好的支持。X-AnyLabeling 中完美支持了这一项新功能。
图像文本标签：用户可以切换到编辑模式并更新图像的文本——可以是图像名称或图像描述。
文本检测标签：当用户创建新对象并切换到编辑模式时，可以更新对象的文本。
文本分组：想象一下，当使用 KIE（键信息提取）时，需要将文本分组到不同的字段中，包含标题和值。在这种情况下，你可以使用文本分组功能。当创建一个新对象时，我们同样可以通过选择它们并按G将其与其他对象组合在一起。分组的对象将用相同的颜色标记。当然，也可以按快捷键U取消组合。

参考链接：https://zhuanlan.zhihu.com/p/656703406