首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >业界首个高性能交互式自动标注工具——EISeg正式开源!

业界首个高性能交互式自动标注工具——EISeg正式开源!

作者头像
用户1386409
发布2021-09-06 16:32:34
1.1K0
发布2021-09-06 16:32:34
举报
文章被收录于专栏:PaddlePaddlePaddlePaddle

在人工智能行业有这么一句话:“深度学习有多智能、背后就有多少人工”。这句话直接说出了深度学习从业者心中的痛处,毕竟模型的好坏数据占着很大的因素,但是数据的标注成本却让很多从业者感到头疼。在标注中,矩形框标注还相对简单,但是对于像素级别的分割标注,往往需要大量的点将目标轮廓抠出来,这需要大量的时间和人力成本去完成。

近期PaddleSeg团队发布了业界首个高性能的交互式分割自动标注工具—EISeg,什么是交互式分割呢?它其实就是先用预训练模型对图像进行预标注,对于标注不精准、有误差的地方,再通过一系列绿色点(正点)和红色点(负点)对目标对象边缘进行精准的调整,从而实现精细化标注,高效而实用。

详细的产品体验链接,请参考:

https://github.com/PaddlePaddle/PaddleSeg/tree/release/2.2/contrib/EISeg

当然大家会好奇,交互式分割算法是怎么实现的?在这里和大家介绍一下:

交互式分割以用户的标注作为指导信息,根据用户的需求选取所需的前景或物体区域,并通过多次交互的方式得到灵活的标注结果,为图片标注提供了一种半自动化标注策略,与语义分割相比,交互式分割不仅仅需要传入图片和标签,还需要输入交互信息来进行训练。

为了给大家带来更好的标注体验,开发团队在多个模型上不断尝试如何获取高精度的标注结果。经过大量测试发现,HRNet+OCRNet模型结构能够更好的将交互点击信息传入到深层的特征中,并且保留分割结果的细节信息,从而使模型对交互信息的反应更精确、更灵活。值得一提的是:为了同时保证模型的高精度和轻量化,EISeg的交互式分割算法采用HRNet18和NRNet18-Small两种Backbone,而OCRNet的通道也可以进行不同数量的配置,得到计算量大小不同的模型,更好的满足用户不同场景的需求。

模型结构图

当然EISeg 提供的不仅有预训练算法和交互式分割操作方式,更多功能逐一为大家揭晓!

支持多种图像及标注格式

满足多种视觉任务

EISeg不仅仅支持输出mask掩膜输出,还支持多边形等多种标注生成。同时支持伪彩色图、灰度图,以及json、coco等数据格式,用户还可对角点进行增删和局部修正。这样标注出来的数据,不仅仅可以做语义分割,还可以用做实例分割任务,一举两得!!!

超多人性化操作快捷键

让标注效率一提再提!

为了进一步提高标注效率,EISeg提供了超多人性化设计的快捷键:

那到底标注效率有多快呢?我们具体来做个测试

传统方法 1 分 7 秒

EISeg 9 秒

可以看到,传统方法使用的标注时间是1分07秒,EISeg 使用的只有 9 秒!使用的时间是传统方式的 1/7 还不到!EISeg 的交互式分割模型的标注效率是远远超过传统标注的!

丰富的标注模型

适合多种场景

EISeg 开放了在 COCO+LVIS 和大规模人像数据上训练的四个标注模型,满足通用场景和人像场景的标注需求。其中模型结构对应 EISeg 交互工具中的网络选择模块,用户需要根据自己的场景需求选择不同的网络结构和加载参数。

另外,为了更好的满足用户分割场景的多样性,PaddleSeg 团队还在持续建设其他垂类领域的交互式模型,例如医疗和遥感图像标注。期待有相关需求的开发者们一起参与开源共建中来!

心动不如行动,大家可以直接前往Github地址获得完整开源项目代码,记得Star收藏支持一下哦:

https://github.com/PaddlePaddle/PaddleSeg

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2021-08-24,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 PaddlePaddle 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档