摘要：官方原话是基于飞桨开发的一个高效智能的交互式分割标注软件。轻量化模型适用于通用场景的图像标注。其中是之前在数据中介绍的语义分割标签文件注意，这个文件并没有加上调色板信息可参考我之前写的文章。
官方原话：EISeg(Efficient Interactive Segmentation)是基于飞桨开发的一个高效智能的交互式分割标注软件。涵盖了高精度和轻量级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。
飞桨(PaddlePaddle)是百度开源的深度学习框架，社区也比较活跃，关键是中文方便交流，哈哈哈。
EISeg工具是在PaddlePaddle/PaddleSeg仓库下contrib/EISeg里，仓库地址如下：
https://github.com/PaddlePaddle/PaddleSeg
EISeg工具也是最近Paddle团队才开源（大概是在2021.08.24）的一个实用工具，现在还在不断迭代优化中：
为了不影响其他python环境，建议新建一个环境。（不想新建可以跳过）
这里以创建一个名为eiseg_env，python版本为3.8的环境为例：
conda create -n eiseg_env python=3.8创建完成后，进入新环境：
conda activate eiseg_env在官方的Reame里有写需要安装PaddlePaddle，所以先安装下PaddlePaddle包。
安装PaddlePaddle（这里默认是安装的CPU版的，如果要安装GPU版，看官方文档）：
pip install paddlepaddle然后再安装EISeg(这里以pip安装方式为例，你也可以按照官方的教程使用源码安装)：
pip install eiseg安装成功后直接在终端输入eiseg即可启动：
eisegEISeg开放了在COCO+LVIS和大规模人像数据上训练的标注模型，并且分别提供了高精度和轻量化两种选择（后面官方可能会开放更多可用模型，建议大家自己去官网看下文档）。这里以下载针对通用场景的高精度模型为例hrnet18_ocr64_cocolvis，点击对应权重下载地址进行下载。
| 模型类型 | 适用场景 | 模型结构 | 下载地址 |
|---|---|---|---|
| 高精度模型 | 适用于通用场景的图像标注。 | HRNet18_OCR64 | hrnet18_ocr64_cocolvis |
| 轻量化模型 | 适用于通用场景的图像标注。 | HRNet18s_OCR48 | hrnet18s_ocr48_cocolvis |
| 高精度模型 | 适用于人像标注场景。 | HRNet18_OCR64 | hrnet18_ocr64_human |
| 轻量化模型 | 适用于人像标注场景。 | HRNet18s_OCR48 | hrnet18s_ocr48_human |
启动EISeg后，在右上角选择模型类型，刚刚下载的是高精度的模型，所以就选择高精度模型。
然后点击加载网络权重，选择刚刚下载好的权重文件就可以了。
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）：
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 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。
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）。
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）。
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）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）。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。
后续再补
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 |
文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。
转载请注明本文地址：https://www.ucloud.cn/yun/119531.html
摘要：本文根据自己的实际操作进行复现，一步一步的训练出自己的模型。这里解释一下文件顾名思义就是我们的测试数据集，就是训练数据集，至于他们的比例为多少可以自己定义，其中为我们的原图，为单通道的带有分割效果的图片。 1.制作自己的数据集 nnunet作为unet的一种改进，在3d医学图像上使用有非常...
摘要：本文提出了一种弱监督缺陷分割方法，该方法基于由图像级注释训练的改进的循环一致生成对抗网络生成的动态模板。一些研究人员将弱监督学习应用于表面缺陷检测。生成器生成器的主要目的是生成对应于缺陷图像的无缺陷模板。 ...
摘要：摘要背景深度学习是一种表示学习方法，非常适合用来处理数字病理学中的图像分析问题。优质的注释样本是深度学习重要的先决条件，但是处理数字病理学中最大的挑战就是获取高质量的注释样本。本文使用的深度学习主要由四个模块组成。 Deep learning for digital pathology image analysis: A comprehensive tutorial with sele...
摘要：论文地址代码发表于主动学习的目的是通过对最有代表性的查询进行采样，由专家进行标注，从而开发出高效标签的算法。本文所用的为，其目标函数可以表示如下其中和分别表示与，为优化问题的拉格朗日参数。 ...
摘要：利用我们集成的目前世界上规模最大的人工分词和词性标注中文语料库约含万字训练而成，模型标注能力强大。据说是最好的中文分词组件，支持等多种语言。 总是看到别人用Python搞各种统计，前端菜鸟的我也来尝试了一把。有各种语义分析库在，一切好像并不是很复杂。不过Python刚开始看，估计代码有点丑。 一、两种中文分词开发包 thulac (http://thulac.thunlp.org/)...
阅读 1173·2021-11-22 15:11
阅读 2435·2021-09-08 09:36
阅读 2727·2019-08-30 14:16
阅读 2644·2019-08-29 15:21
阅读 2820·2019-08-29 15:11
阅读 2360·2019-08-29 13:19
阅读 2874·2019-08-29 12:25
阅读 297·2019-08-29 12:21
