专栏首页机器学习AI算法工程计算机视觉领域最好用的开源图像标注工具

计算机视觉领域最好用的开源图像标注工具

对于监督学习算法而言,数据决定了任务的上限,而算法只是在不断逼近这个上限。世界上最遥远的距离就是我们用同一个模型,但是却有不同的任务。但是数据标注是个耗时耗力的工作,下面介绍几个图像标注工具:

Labelme

LabelMe,由麻省理工学院开发的。在这里可以看到一个在线版本,

或者在这里可以运行它。

http://labelme.csail.mit.edu/Release3.0/

https://github.com/wkentaro/labelme

Labelme适用于图像分割任务的数据集制作:

它来自下面的项目:https://github.com/wkentaro/labelme

该软件实现了最基本的分割数据标注工作,在save后将保持Object的一些信息到一个json文件中,如下:

https://github.com/wkentaro/labelme/blob/master/static/apc2016_obj3.json

同时该软件提供了将json文件转化为labelimage的功能:

labelImg

Labelme适用于图像检测任务的数据集制作:

它来自下面的项目:https://github.com/tzutalin/labelImg

其中标签存储功能和“Next Image”、“Prev Image”的设计使用起来比较方便。

该软件最后保存的xml文件格式和ImageNet数据集是一样的。

yolo_mark

yolo_mark适用于图像检测任务的数据集制作:

它来自于下面的项目:https://github.com/AlexeyAB/Yolo_mark

它是yolo2的团队开源的一个图像标注工具,为了方便其他人使用yolo2训练自己的任务模型。在linux和win下都可运行,依赖opencv库。

Vatic

Vatic适用于图像检测任务的数据集制作:

它来自下面的项目:http://carlvondrick.com/vatic/

比较特别的是,它可以做视频的标注,比如一个25fps的视频,只需要隔100帧左右手动标注一下物体的位置,最后在整个视频中就能有比较好的效果。这依赖于软件集成的opencv的追踪算法。

Sloth

Sloth适用于图像检测任务的数据集制作:

它来自下面的项目:

https://github.com/cvhciKIT/sloth

https://cvhci.anthropomatik.kit.edu/~baeuml/projects/a-universal-labeling-tool-for-computer-vision-sloth/

在标注label的时候,该软件可以存储标签,并呈现标注过的图片中的bbox列表。

Annotorious

Annotorious适用于图像检测任务的数据集制作:

它来自下面的项目:

http://annotorious.github.io/index.html

代码写的相当规范,提供了相应的API接口,方便直接修改和调用。

RectLabel

RectLabel适用于图像检测任务的数据集制作:

它来自下面的项目:

https://rectlabel.com/

这是一个适用于Mac OS X的软件,而且可以在apple app store中直接下载。

VoTT

VoTT适用于图像检测任务的数据集制作:

它来自下面的项目:

https://github.com/Microsoft/VoTT/

微软的开源工具,既可以标注视频,也可以标注图片,而且支持已有模型的集成,功能强大。

IAT – Image Annotation Tool

IAT适用于图像分割任务的数据集制作:

它来自下面的项目:

http://www.ivl.disco.unimib.it/activities/imgann/

比较有特色的是,它支持一些基础形状的选择,比如要分割的物体是个圆形的,那么分割时可以直接选择圆形,而不是用多边形选点。

images_annotation_programme

images_annotation_programme适用于图像检测任务的数据集制作:

它来自下面的项目:

https://github.com/frederictost/images_annotation_programme

网页版的哦

除此之外,还有很多类似的工具,与上面的工具相比,并没有什么特色了,我们只给出链接,不详细介绍了:

ImageNet-Utils

https://github.com/tzutalin/ImageNet_Utils

labeld

https://github.com/sweppner/labeld

VIA

http://www.robots.ox.ac.uk/~vgg/software/via/

ALT

https://alpslabel.wordpress.com/2017/01/26/alt/

FastAnnotationTool

https://github.com/christopher5106/FastAnnotationTool

LERA

https://lear.inrialpes.fr/people/klaeser/software_image_annotation

计算机视觉标注工具(CVAT)

计算机视觉标注工具(CVAT)

在推出 OpenCV 近 20 年后,Intel 在计算机视觉领域再次发力,并发布了 CVAT,这是一个非常强大和完整的标注工具。尽管它需要一些时间来学习和掌握,但它包含了大量的功能来标注计算机视觉数据。

优点:

  • 它很容易安装和扩展,因为它是一个运行在 Docker 中的 Web 应用程序
  • 它包含了许多自动化工具(如使用 TensorFlow 物体检测 API 的自动标注、视频插值……)
  • 它允许协同工作管理,这样团队中的不同成员就可以在同一个标注任务上协同工作

缺点:

  • UI 相当复杂。例如,对于初次设置标注任务的用户而言,这可能会非常棘手
  • 一开始用起来不是很直观,可能需要几天的时间来掌握
  • 只能运行于 Chrome,所以如果你担心谷歌……,你必须找到其他变通办法

点击这里查看在线演示!

https://c.onepanel.io/onepanel-demo/projects/cvat-public-demo/workspaces

可视化对象标注工具(VoTT)

可视化对象标注工具(VoTT)

VoTT 是由微软开发的,它提供了非常棒的用户体验,这可能会在你标注时为你节省大量的时间和精力。而且,创建项目也很直接,所以你可以不用深入阅读其文档就能使用它。

优点:

  • 代码写得非常好(在 React 中),并且完美地定义了接口,因此获取代码和添加所需的额外功能都很容易
  • 正如我所说的,UX 是完美的,它有一个黑色的主题和一个跟随鼠标的虚线网格,所以很容易知道从哪里开始标注一个边界框。这看起来像是一种额外嘉奖,但是相信我,这对于标注来说真的很重要!
  • 它提出使用深度学习算法来自动检测对象(它附带了在 COCO 数据集上训练的 SSD 模型)
  • 它是一个 web 应用程序和一个电子应用程序。这使你可以将它作为一个重客户端使用,也可以将它作为 web 浏览器中运行的应用程序来使用

缺点:

  • 要使用 web 应用程序版本,你需要将数据托管在微软的云计算服务 Azure 上(然而,电子版应用程序允许你在硬盘上使用数据,但需要使用 npm 安装程序)
  • 它没有提供一个内置的 API(但是,通过调整代码,使你的私有 API 能够与之通信,这是非常容易的)
  • 你不能给整张图片贴标签:你只被允许绘制带有相关标签的边界框(或多边形)。因此,它不适合创建分类数据库

点击这里查看我们的网页应用程序!

https://vott.z5.web.core.windows.net/

DataTurks

DataTurks 是一家成立于 2018 年的初创公司,提供图片、视频和文字的标注服务。然而,直到最近它才成为开源软件(这可能与沃尔玛在 2019 年 2 月买下了它有关),此前你都必须向其付费。尽管在那之后,他们几乎没有对外发声,而且似乎已经停止了任何开发,但是这个标注工具非常棒,而且现在是免费的!

当你使用它的时候,不用在意任何许可,也不用考虑随处可见的任何非商业用途的限制条款。Dataturks 现在免费啦,而且你可以使用它的所有功能(我已经尝试和测试过了)!

优点:

  • 说起 CVAT,它是一个在 Docker 中运行的 Web 应用程序(查看这里获取 Docker 图像)
  • 允许协作和异步工作:处理相同数据集的两个队友不会得到相同的图像进行标注
  • 提出一种用于创建和获取标注任务的 API

缺点:

  • DataTurks 似乎已经停止了其产品的开发
  • UX 还可以,但是一些小小的调整还可以让它变得更好

点击这里查看在线演示!

https://dataturks.com/projects/Dataturks

仅为你自己服务的最好的开源图像标注工具

MakeSense.ai Make-Sense Make-sense 在两个月前刚刚发布(如果你在很久之后才读到我这篇文章,说明下,这个时间是 2019 年 6 月),并且已经拥有了令人难以置信的用户体验。开始启动打标从来没有这么快!进入网站,拖放你的图片,即可开始标注。

优点:

  • 快速,高效,但最重要的是,简单!
  • 很酷的用户体验
  • 至于你上传的图片的隐私问题,不要担心,因为他们说:“【我们】不会存储你的图片,因为我们不会把它们发送到任何地方。”

缺点:

  • 不提供任何项目管理功能
  • 也不提供任何 API

点击这里开始打标!

https://www.makesense.ai/

VGG VIA ,一个非常容易使用的标注器,其由牛津机器人实验室开发。它被编码在单个的 html/js 文件里,所以它很容易进行开发!

Coco-Annotator 似乎功能很齐全,但它是最近才出现的(用户身份验证系统、API 接入点)。查看这里的演示

https://annotator.justinbrooks.ca/#/


本文分享自微信公众号 - 机器学习AI算法工程(datayx)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-10-02

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • python数据挖掘:能不能找出吃货最佳住宿点?

    这次我爬出了哈尔滨市TOP285家好吃的店,包括烧烤的TOP,饺子的TOP,酱骨的TOP等等等等,在地图上显示,规划热点,再用聚类算法计算下能不能找出吃货最佳的...

    机器学习AI算法工程
  • 详细步骤:用R语言做文本挖掘

    目录 Part1 安装依赖包 Part2 分词处理 Part3文本聚类 Part4 文本分类 Part5情感分析 Part1 安装依赖包 R语言中中文分析的...

    机器学习AI算法工程
  • 作为一名数据科学家Python需要掌握到什么程度?

    之前一直用R,最近正在学python,因为没有什么工作经验,也只能谈谈自己的感悟。 数据科学家算是统计师和程序员的结合体,来源也主要是这两个专业的毕业生。不...

    机器学习AI算法工程
  • 从十篇热门学术论文看计算机视觉的未来

    原标题 | Ten Trending Academic Papers on the Future of Computer Vision

    AI科技评论
  • 900万张标注图像,谷歌发布Open Images最新V3版

    翻译 | Shawn 过去几年机器学习的发展使得计算机视觉有了快速的进步,系统能够自动描述图片,对共享的图片创造自然语言回应。其中大部分的进展都可归因于 Ima...

    AI科技大本营
  • Hexo搭建个人博客(一)— 前期准备

    前言 最近几个月自学python的过程中,搜索爬虫资料的时候关注了xlzd的博客,为我开启了一片新世界,之后慢慢收藏了各方高人的博客。搭建一个自己博客的萌芽也悄...

    木制robot
  • 丢人了!英伟达抄代码也就算了,竟然把人家的License都改成自己的

    今天一早,营长像往常一样打开手机,来Reddit上看看大家都在讨论啥。 网友Ouitos被人抄代码并改License的声讨,顿时激起了营长的义愤。 ? 仔细看...

    AI科技大本营
  • python资源大全中文版 原

     github地址:https://github.com/jobbole/awesome-python-cn

    晓歌
  • 手把手 | 关于商业部署机器学习,这有一篇详尽指南

    有关深度学习或机器学习方面的文章层出不穷,涵盖了数据收集,数据整理,网络/算法选择,训练,验证和评估等主题。

    大数据文摘
  • 程序员必知必会的那些邪恶的脚本

    set -o errexit 等价于 set -e,表示有任何错误(命令的返回状态非 0 )时即退出。

    用户1263954

扫码关注云+社区

领取腾讯云代金券

玩转腾讯云 有奖征文活动