EISeg分割标注软件使用

Posted 太阳花的小绿豆

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了EISeg分割标注软件使用相关的知识,希望对你有一定的参考价值。

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:



1环境配置与安装

1.1创建conda虚拟环境(建议)

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

1.2安装EISeg

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:

eiseg


2简单使用

2.1模型预训练权重下载

EISeg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_OCR64hrnet18_ocr64_cocolvis
轻量化模型适用于通用场景的图像标注。HRNet18s_OCR48hrnet18s_ocr48_cocolvis
高精度模型适用于人像标注场景。HRNet18_OCR64hrnet18_ocr64_human
轻量化模型适用于人像标注场景。HRNet18s_OCR48hrnet18s_ocr48_human

2.2载入模型权重

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。

2.3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):

2.4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 

2.5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。

2.6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)。

2.7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)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)。

2.8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。

2.9其他

后续再补


3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

以上是关于EISeg分割标注软件使用的主要内容,如果未能解决你的问题,请参考以下文章

业界首个高性能交互式自动标注工具——EISeg正式开源!

LabelStudio + MMDetection 实现目标分割预标注

LabelStudio + MMDetection 实现目标分割预标注

LabelStudio + MMDetection 实现目标分割预标注

LabelStudio + MMDetection 实现目标分割预标注

eiseg 转 yolov5数据格式