影象標註工具彙總目標檢測標註工具影象分割標註工具
對於監督學習演算法而言，資料決定了任務的上限，而演算法只是在不斷逼近這個上限。世界上最遙遠的距離就是我們用同一個模型，但是卻有不同的任務。但是資料標註是個耗時耗力的工作，下面介紹幾個影象標註工具：
Labelme
Labelme適用於影象分割任務的資料集製作：
它來自下面的專案：https://github.com/wkentaro/labelme
該軟體實現了最基本的分割資料標註工作，在save後將保持Object的一些資訊到一個json檔案中，如下：
https://github.com/wkentaro/labelme/blob/master/static/apc2016_obj3.json
同時該軟體提供了將json檔案轉化為labelimage的功能：
labelImg
Labelme適用於影象檢測任務的資料集製作：
它來自下面的專案：https://github.com/tzutalin/labelImg
其中標籤儲存功能和“Next Image”、“Prev Image”的設計使用起來比較方便。
該軟體最後儲存的xml檔案格式和ImageNet資料集是一樣的。
yolo_mark
yolo_mark適用於影象檢測任務的資料集製作：
它來自於下面的專案：https://github.com/AlexeyAB/Yolo_mark
它是yolo2的團隊開源的一個影象標註工具，為了方便其他人使用yolo2訓練自己的任務模型。在linux和win下都可執行，依賴opencv庫。
Vatic
Vatic適用於影象檢測任務的資料集製作：
它來自下面的專案：http://carlvondrick.com/vatic/
比較特別的是，它可以做視訊的標註，比如一個25fps的視訊，只需要隔100幀左右手動標註一下物體的位置，最後在整個視訊中就能有比較好的效果。這依賴於軟體整合的opencv的追蹤演算法。
Sloth
Sloth適用於影象檢測任務的資料集製作：
它來自下面的專案：
https://github.com/cvhciKIT/sloth
https://cvhci.anthropomatik.kit.edu/~baeuml/projects/a-universal-labeling-tool-for-computer-vision-sloth/
在標註label的時候，該軟體可以儲存標籤，並呈現標註過的圖片中的bbox列表。
Annotorious
Annotorious適用於影象檢測任務的資料集製作：
它來自下面的專案：
http://annotorious.github.io/index.html
程式碼寫的相當規範，提供了相應的API介面，方便直接修改和呼叫。
RectLabel
RectLabel適用於影象檢測任務的資料集製作：
它來自下面的專案：
https://rectlabel.com/
這是一個適用於Mac OS X的軟體，而且可以在apple app store中直接下載。
VoTT
VoTT適用於影象檢測任務的資料集製作：
它來自下面的專案：
https://github.com/Microsoft/VoTT/
微軟的開源工具，既可以標註視訊，也可以標註圖片，而且支援已有模型的整合，功能強大。
IAT – Image Annotation Tool
IAT適用於影象分割任務的資料集製作：
它來自下面的專案：
http://www.ivl.disco.unimib.it/activities/imgann/
比較有特色的是，它支援一些基礎形狀的選擇，比如要分割的物體是個圓形的，那麼分割時可以直接選擇圓形，而不是用多邊形選點。
images_annotation_programme
images_annotation_programme適用於影象檢測任務的資料集製作：
它來自下面的專案：
https://github.com/frederictost/images_annotation_programme
網頁版的哦
除此之外，還有很多類似的工具，與上面的工具相比，並沒有什麼特色了，我們只給出連結，不詳細介紹了：
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
--------------------- 作者：chaibubble 來源：CSDN 原文：https://blog.csdn.net/chaipp0607/article/details/79036312?utm_source=copy 版權宣告：本文為博主原創文章，轉載請附上博文連結！