深度学习标注软件

        深度学习第一步就是制作数据集，手动去标注一些数据。本文将介绍一些用于图像数据标注的软件。

1.Labelme

        labelme是麻省理工（MIT）的计算机科学和人工智能实验室（CSAIL）研发的图像注释工具，它是用Python和PyQT编写的，用于图像标注。

• ​​​​​对图像进行多边形，矩形，圆形，多段线，线段，点形式的标注（可用于目标检测，图像分割，等任务）。
• 对图像进行进行 flag 形式的标注（可用于图像分类和清理任务）。
• 视频标注
• 生成 VOC 格式的数据集
• 生成 COCO 格式的数据集

2.Labelimg

        LabelImg是一款开源的图片标注工具，使用Python编写，基于PyQt5框架。它提供了一个直观的图形用户界面，方便用户对图片进行标注，并生成标注结果。LabelImg支持多种常见的标注格式，如PASCAL VOC、YOLO等，适用于各种计算机视觉任务。它可以用在Windows、Linux和macOS等多个平台上，并支持各种类型的图像文件格式，如JPG、PNG和BMP等。

3.roLabelimg

        roLabelImg是基于labelImg改进的一款图像标注工具，主要用于标注为VOC格式的数据。与labelImg相比，roLabelImg在功能上有所增强，其中最显著的特点是支持标注框的旋转。这意味着用户不仅可以创建常规的矩形标注框，还可以根据需要调整标注框的方向，使其适应各种不规则形状的目标。

        使用roLabelImg进行标注的过程与labelImg类似，用户可以通过直观的图形界面加载图像，创建和编辑标注框，并为每个标注框分配相应的类别标签。完成标注后，roLabelImg可以生成符合VOC格式要求的标注文件，供后续的计算机视觉任务使用。需要注意的是，在使用roLabelImg之前，需要先安装labelImg，因为roLabelImg是在labelImg的基础上进行改进的。此外，还需要安装PyQt5等依赖项，以确保roLabelImg能够正常运行。

4.AutoLabelimg

        AutoLabelImg除了labelimg的初始功能外，额外包含十多种辅助标注功能，分别在Annoatate-tools和Video-tools两个新菜单栏下面，具体如下：

• 自动标注：基于yolov5的模型自动标注，将yolov5的检测结果转化为.xml标注文件
• 追踪标注：基于opencv的追踪模块实现的视频自动标注，标注开始的一帧，利用追踪预测后续的一段视频
• 放大镜：鼠标附近区域的放大展示，方便标注一些微小目标，放大镜功能可以选择开启或关闭
• 数据增强：随机使用平移，翻转，缩放，亮度，gama，模糊等手段增强图片
• 其他批量处理工具如：类别筛选/重命名/统计、标注文件属性校正、视频提取/合成、图片重命名等。

5.X-anyLabelimg

        X-AnyLabeling 是一款全新的交互式自动标注工具，其基于AnyLabeling进行构建和二次开发，在此基础上扩展并支持了许多的模型和功能，并借助Segment Anything和YOLO等主流模型提供强大的 AI 支持。

• 支持多边形、矩形、圆形、直线和点的图像标注。
• 支持文本检测、识别和KIE（关键信息提取）标注。
• 支持检测-分类级联模型进行细粒度分类。
• 支持一键人脸和关键点检测功能。
• 支持转换成标准的COCO-JSON、VOC-XML以及YOLOv5-TXT文件格式。
• 提供先进的检测器，包括YOLOv5、YOLOv6、YOLOv7、YOLOv8、YOLOX以及DETR系列模型。

6.LabelTrack

        LabelTrack是为多目标跟踪MOT写的一个自动标注工具，它可以通过导入视频流等操作完成快速的行人标注。

• 导入mp4文件或视频帧文件夹
• 手动标注修改标注框，包括大小，标签，ID等信息
• 采用SOTA目标跟踪模型对视频帧进行预跟踪
• 导出和导入VisDrone格式数据集

7.Plabel

        这个工具是由鹏城实验室自主研发，集成视频抽帧，目标检测、视频跟踪、ReID分类、人脸检测等算法，实现了对图像，视频的自动标注，并可以对自动算法的结果进行人工标注，最终得到标注结果。 同时也可以对视频、图片、医疗（包括dicom文件及病理图像）相关的数据进行人工标注，标注结果支持COCO及VOC格式。支持多人协同标注。目前也新增新增基于GPU的Segment Anything分割自动标注镜像，可分割任意图片。