计算机视觉领域非常好用的5个开源图像标注工具

本文介绍了 5 个很棒的标注工具，我希望它们能帮助你创建计算机视觉数据集。

如果你是一名计算机视觉领域的数据科学家，你可能也意识到了你需要一个快速而简单的标注工具，其原因至少是以下两个之一:

• PoC（译者注：Proof of Concept）或研发实验需要创建数据集
• 保证你的数据质量，这样它就不会影响你的深度学习算法的性能

我深入探究了计算机视觉标注领域，发现它包含了大量令人印象深刻的工具（请看如下三个超级棒的工具清单：清单一，清单二，清单三，或者查看 这个博客）。我花了相当多的时间比较最有前景的（和活跃的）项目，发现其中大部分工具都只能达到如下三个设计目标中的其中一个:

1、如果你想在标注行业展开业务，你需要：

a. 先进的项目管理功能

b. 足够多的功能，以完成任何标注任务

c. 提高效率的自动化工具

2、如果你属于一家创业公司，你可能需要：

a. API，或者至少是将标注工具连接到私有 API 的简单方法

b. 直观的用户体验（UX），使你临时聘用的每个标注人员都可以立即开始工作

3、如果你只是为自己工作，你：

a. 不用关心 API 或者项目管理

b. 只是想尽快开始标注！

下面是我最喜欢的工具列表，这些工具允许为计算机视觉应用标注包围框（用于物体检测任务）和多边形框（用于分割任务）。

如果你发现这些工具不能正常工作，请尝试在 Chrome 中运行它们。

计算机视觉标注的简要基础知识 [可选]

在计算机视觉中，训练算法的数据主要有三种类型:

1. 图片 + 分类器训练标签（ResNets）
2. 包围框 + 检测器标签（YOLOv3，Faster R-CNN……）
3. 多边形 + 用于分割应用程序标签（Mask R-CNN）

注意分割数据（蓝色）与检测数据（紫色）的差异

正如你很可能已经意识到的，对于 AI 项目来说，成功的最重要的影响因素之一是你可以使用的“优质数据”的数量。我所说的计算机视觉应用的“优质数据”是指:

• 每个图片 / 标注都有一个恰当的标签
• 每个边界框或多边形都紧致地包围着要训练的物体。

即使后一种定义明显缺乏客观性，但我们希望我们的算法能够达到人类的水平。因此，我们需要“人类水平”的标注。

打标公司的最佳开源标注工具

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！

创业公司的最佳开源标注工具

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

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!