下载链接:https://github.com/PaddlePaddle/PaddleSeg/tree/develop/EISeg

介绍

EISeg(Efficient Interactive Segmentation)是以RITM及EdgeFlow算法为基础，基于飞桨开发的一个高效智能的交互式分割标注软件。涵盖了通用、人像、遥感、医疗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。

模型准备

在使用EIseg前，请先下载模型参数。EISeg 0.4.0版本开放了在COCO+LVIS、大规模人像数据、mapping_challenge及LiTS(Liver Tumor Segmentation Challenge)上训练的四个垂类方向模型，满足通用场景、人像场景、建筑物标注及医疗影像肝脏的标注需求。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。
（1）基于HRNet18_OCR64结构的高精度模型，适用于通用场景的图像标注，static_hrnet18_ocr64_cocolvis
（2）基于HRNet18s_OCR48结构的轻量化模型，适用于通用场景的图像标注，static_hrnet18s_ocr48_cocolvis
（3）基于HRNet18_OCR64结构的高精度模型，适用于人像标注场景，static_hrnet18_ocr64_human
（4）基于HRNet18s_OCR48 结构的轻量级模型，适用于人像标注场景，static_hrnet18s_ocr48_human
（5）基于EdgeFlow结构的高精度模型，适用于通用图像标注场景， static_edgeflow_cocolvis
（6）基于HRNet18s_OCR48结构的轻量级模型，适用于遥感建筑物标注场景，static_hrnet18_ocr48_rsbuilding_instance
（7）基于HRNet18s_OCR48结构的轻量级模型，适用于医疗肝脏标注场景，static_hrnet18s_ocr48_lits

NOTE：将下载的模型结构*.pdmodel及相应的模型参数*.pdiparams需要放到同一个目录下，加载模型时只需选择*.pdiparams结尾的模型参数位置即可， *.pdmodel会自动加载。

安装使用

EISeg提供多种安装方式，其中使用pip和运行代码方式可兼容Windows，Mac OS和Linux。为了避免环境冲突，推荐在conda创建的虚拟环境中安装。

安装PaddlePaddle

版本要求:PaddlePaddle >= 2.2.0
PaddlePaddle安装请参考官网。在安装EISeg前，请先安装Paddle。注意：下面提供的所有安装EISeg的方法都需要先安装Paddle才能使用。

EISeg的两种安装方式

克隆到本地的安装方法

通过git将PaddleSeg克隆到本地：

git clone -b develop https://github.com/PaddlePaddle/PaddleSeg.git

安装所需环境（若需要使用到GDAL和SimpleITK请参考垂类分割进行安装）：

pip install -r requirements.txt

安装好所需环境后，进入EISeg，可通过直接运行eiseg打开EISeg：

cd PaddleSeg\EISeg
python -m eiseg

或进入eiseg，运行exe.py打开EISeg：

cd PaddleSeg\EISeg\eiseg
python exe.py

pip安装方式

pip安装方式如下：

pip install eiseg

pip会自动安装依赖。安装完成后命令行输入：

eiseg

即可运行软件。

使用

打开软件后，在对项目进行标注前，需要进行如下设置：
1.模型参数加载
根据标注场景，选择合适的网络模型及参数进行加载。目前在EISeg0.4.0中，已经将动态图预测转为静态图预测，全面提升单次点击的预测速度。选择合适的模型及参数下载解压后，模型结构*.pdmodel及相应的模型参数*.pdiparams需要放到同一个目录下，加载模型时只需选择*.pdiparams结尾的模型参数位置即可。静态图模型初始化时间稍长，请耐心等待模型加载完成后进行下一步操作。正确加载的模型参数会记录在近期模型参数中，可以方便切换，并且下次打开软件时自动加载退出时的模型参数。

2.图像加载
按下Ctrl+A，打开要标注图片的文件夹，加载图片。

3.标签添加/加载
添加/加载标签。可以通过添加标签新建标签，标签分为4列，分别对应像素值、说明、颜色和删除。新建好的标签可以通过保存标签列表保存为txt文件，其他合作者可以通过加载标签列表将标签导入。通过加载方式导入的标签，重启软件后会自动加载。

4.自动保存设置
在使用中可以将自动保存设置上，设定好文件夹即可，这样在使用时切换图像会自动将完成标注的图像进行保存。

下表是EISeg的快捷键表格：

特色功能使用说明

1.多边形

交互完成后使用Space（空格）完成交互标注，此时出现多边形边界；
需要在多边形内部继续进行交互，则使用空格切换为交互模式，此时多边形无法选中和更改。
多边形可以删除，使用鼠标左边可以对锚点进行拖动，鼠标左键双击锚点可以删除锚点，双击两点之间的边则可在此边添加一个锚点。
打开保留最大连通块后，所有的点击只会在图像中保留面积最大的区域，其余小区域将不会显示和保存。

2.保存格式

打开保存JSON保存或COCO保存后，多边形会被记录，加载时会自动加载。
若不设置保存路径，默认保存至当前图像文件夹下的label文件夹中。
如果有图像之间名称相同但后缀名不同，可以打开标签和图像使用相同扩展名。
还可设置灰度保存、伪彩色保存和抠图保存，见工具栏中7-9号工具。

3.生成mask

标签按住第二列可以进行拖动，最后生成mask时会根据标签列表从上往下进行覆盖。

4.界面模块

可在显示中选择需要显示的界面模块，正常退出时将会记录界面模块的状态和位置，下次打开自动加载。

5.垂类分割

EISeg目前已添加对遥感图像和医学影像分割的支持，使用相关功能需要安装额外依赖。
分割遥感图像请安装GDAL，相关安装及介绍具体详见遥感标注垂类建设。
分割医学影像请安装SimpleITK，相关安装及介绍具体详见医疗标注垂类建设。

6.脚本工具使用
EISeg目前提供包括标注转PaddleX数据集、划分COCO格式以及语义标签转实例标签等脚本工具，相关使用方式详见脚本工具使用。

灰度图中修改像素点的数值

在个人使用的过程中，发现标注完得到的灰度图，标签的ID号是从0到class_num-1，当需要将ID号改为指定的数值时，可以参考下面代码：

# -*- coding:utf8 -*-
import osfrom PIL import Imageim = Image.open('/media/***/label/100.png')  # 打开图片
print(im.mode)
pix = im.load()  # 导入像素
width = im.size[0]  # 获取宽度
height = im.size[1]  # 获取长度for x in range(width):for y in range(height):a = im.getpixel((x, y))rgba = (a)if (a == 0):im.putpixel((x, y), (0))if (a == 1):im.putpixel((x, y), (255))im = im.convert('L')
print(im.mode)
im.save('/media/***/label/100_1.png')

批量修改灰度图中的像素值

# -*- coding:utf8 -*-
import os
from PIL import Imagepath = 'SegmentationClass(RGBA)/'
savedpath = 'SegmentationClass/'
filelist = os.listdir(path)
for item in filelist:im = Image.open( path + item )#打开图片width = im.size[0]#获取宽度height = im.size[1]#获取长度for x in range(width):for y in range(height):a = im.getpixel((x, y))rgba = (a)if (a == 0):im.putpixel((x, y), (0))if (a == 1):im.putpixel((x, y), (255))im = im.convert('L')im.save(savedpath + item)print('item of %s is saved '%(item))

参考链接:
Python之修改图片像素值的方法

语义分割工具EISeg相关推荐

pytorch 语义分割loss_vedaseg：基于pytorch的开源语义分割工具库，更多模型支持，更易拓展...
加入极市专业CV交流群,与6000+来自腾讯,华为,百度,北大,清华,中科院等名企名校视觉开发者互动交流!更有机会与李开复老师等大牛群内互动! 同时提供每月大咖直播分享.真实项目需求对接.干货资讯汇总 ...
Android基于图像语义分割实现人物背景更换
原文博客:Doi技术团队链接地址:https://blog.doiduoyi.com/authors/1584446358138 初心:记录优秀的Doi技术团队学习经历本文链接:Android基于 ...
CNN for Semantic Segmentation（语义分割，论文，代码，数据集，标注工具，blog）
在FCN网络在2104年提出后,越来越多的关于图像分割的深度学习网络被提出,相比传统方法,这些网络效果更好,运算速度更快,已经能成熟的运用在自然图像上.语义分割显然已经是计算机视觉领域的一个热门研究领 ...
重磅推荐！日立开源语义分割数据集标注工具Semantic Segmentation Editor
面向自动驾驶领域的2D图片与3D点云对象标注工具. (欢迎关注本站的"我爱计算机视觉"微信公众号,一个有价值有深度的公众号~) 日立汽车工业实验室(Hitachi Automoti ...
【AI论文精粹】图形化解释工具；神经网络数据质量；LiDAR 语义分割；机器学习的应用
标题:GLIME:一种用于可解释模型不可知解释的新图形方法时间:2021.7.21 作者:Zoumpolia Dikopoulou, Serafeim Moustakidis, Patrik Kar ...
【工具】Semantic Segmentation Editor 语义分割标注工具
[工具]Semantic Segmentation Editor 语义分割标注工具一.简介二.界面 1.工具栏 ① 上方横排工具栏 Ctrl + Z 撤销 Ctrl + Y 重做 Alt 操纵工具 ...
图像语义分割标注软件EISeg
paddle 语义分割标注软件: https://github.com/PaddleCV-SIG/EISeghttps://github.com/PaddleCV-SIG/EISeg
语义分割标注工具——labelme
参考下面网址: 感谢up主:https://www.bilibili.com/video/BV1xT4y1j7A9?from=search&seid=2903997967250679674 在 ...
python工具方法 18 labelme语义分割标注数据批量转换为png
本实例代码主要使用labelme.utils.shapes_to_label方法实现批量将将labelme的语义分割标注数据转换为图片,支持将标注保存为实例分割训练图.语义分割训练图.语义分割+原图效 ...
【图片标注】推荐一款特别好用的图片分割标注工具EIseg
前言最近在百度飞浆的公众号看到一个特别有趣的图片标注工具EIseg,它labelme等标记工具不同的是,它是一个通过深度学习来标注的工具,使用鼠标点一下就能完成标注任务,下面是工具的演示.本文章仅供 ...

语义分割工具EISeg

介绍