自动生成VGG图像注释文件

在计算机视觉领域，实例分割是当今最热门的话题之一。

它包括图像中对象的检测/分割，即特定对象的定位及其所属像素的关联。像任何一种机器学习系统一样，训练主干结构需要大量图像。更具体地说，需要大量注释来训练神经网络的定位功能。

注释是一项耗时的活动，可以决定项目是否会成功。因此，必须谨慎处理，以提高生产率。

在卫星图像领域，可以利用免费数据集来利用研究人员或注释人员以前所做的工作。这些数据集通常是由研究人员在从开源图像构建数据集、进行前后处理并用于训练和测试自己的人工智能研究系统后发布的。

语义分割和实例分割有点不同，但在建筑物的情况下，一个可以帮助另一个。

事实上，建筑物通常是独特的，可以在任何图像上进行分离。利用这种考虑，可以从二值标签图像中为每个建筑生成单独的遮罩，然后用于更快地训练实例分割算法，如Mask RCNN。注释不必手动执行，这是该技术的主要优点。下面是一些如何做的提示！

---

JSON文件格式

Mask RCNN Matterport实现以及FAIR Detectron2平台使用JSON文件为训练图像数据集加载注释。这种文件格式用于许多计算机科学应用，因为它允许以成对属性值的格式轻松存储和共享字母数字信息。

它是为JavaScript语言构建的，但如今，它被用于许多其他编程语言，如Python。专门的库已经建立起来，能够在Python代码中以文本文件的形式生成和解析JSON格式的数据。VGG注释工具格式中Mask RCNN使用的典型JSON文件将具有以下形状：

{
  "image1.png9259408": {
    "filename": "image1.png",
    "size": 9259408,
    "regions": [
      {
        "shape_attributes": {
          "name": "polygon",
          "all_points_x": [
            314,
            55,
            71,
            303,
            318,
            538,
          ],
          "all_points_y": [
            1097,
            1093,
            1450,
            1450,
            1505,
            1474,
          ]
        },
        "region_attributes": {
          "class": "building"
        }
      },
      {
        "shape_attributes": {
          "name": "rect",
          "x": 515,
          "y": 1808,
          "width": 578,
          "height": 185
        },
        "region_attributes": {
          "class": "apple"
        }
      }
    ],
    "file_attributes": {}
  },
  "0030fd0e6378.png236322": {
    "filename": "0030fd0e6378.png",
    "