百度飞浆EISeg高效交互式标注分割软件的使用教程
一、前言
官方原话:EISeg(Efficient Interactive Segmentation)是基于飞桨开发的一个高效智能的交互式分割标注软件。涵盖了高精度和轻量级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。
官方GitHub:PaddleSeg/EISeg at release/2.6 · PaddlePaddle/PaddleSeg · GitHub
由于我也常常使用百度飞浆的PaddleSeg框架,与ElSeg标注得到的文件也是适配的,且相比LabelMe的比较繁琐的标注,ElSeg的标注更加省时省力。ElSeg支持COCO格式和Json格式的保存方式,适配度高。
二、实战
1.安装
安装百度飞浆的SDK:
pip install paddlepaddle
安装EISeg:
pip install eiseg
命令行启动:
eiseg
成功开启,这里还没导入相应的预训练模型,需要提前去官网选择下载相关的预训练模型:
官网:PaddleSeg/image.md at release/2.6 · PaddlePaddle/PaddleSeg · GitHub
这里我使用的是HRNet18_OCR64通用场景标注的高精度模型,下载好后导入到EISeg中使用:
加载完成后,左下角会有一行小字显示:
HRNet18_OCR64模型加载成功
2.数据集处理与标注
将原始数据集进行重命名和归一化处理:
新建 change_name.py 文件
import os
#任何格式的文件都适用
path = r"F:\Datasets\Lane_line_dataset\divide"
filelist = os.listdir(path)
count=0
for file in filelist:print(file)
for file in filelist:Olddir=os.path.join(path,file)if os.path.isdir(Olddir):continuefilename=os.path.splitext(file)[0]filetype=os.path.splitext(file)[1]Newdir=os.path.join(path,str(count).zfill(6)+filetype)os.rename(Olddir,Newdir)count+=1
将原始图像的命名格式改为:000000、000001、000002等(以此类推)
在EISeg中选择重命名后的数据集文件夹进行标注,将输出标注的格式修改为json格式(默认下是输出COCO格式):
我选择的是一个无人车的车道线数据集,自定义分割标签的名称和对应颜色,设置好后导出备用:
然后就可以开始标注了,鼠标左键是正向趋势的标注,鼠标右键是逆向趋势的标注,你可以自行尝试使用。重要的一点是,每次标注完一种颜色则需要点保存,再开始标注另一种颜色。
全部标注完成后会在原始文件夹下产生一个新的文件夹:labels文件夹,内含:
其中,黑色的、只以数字为图像名称的图像就是我们PaddleSeg训练所需要的 annotations,我用程序将其分离开来:
新建 get_annotations.py :
import os
import shutildef read_name():source_file_path0 = 'data/label/' #注意opencv库不能打开中文路径name0 = os.listdir(source_file_path0) #读取源路径下所有文件的名称,将其放在一个列表内返回,每个元素代表一个文件名new_file_path0 = 'data/annotations/'return name0, new_file_path0, source_file_path0if __name__ == "__main__":name, new_file_path, source_file_path = read_name()print(name)for i in name:if 'png' in i:png_name=i[:-4]print("png:", png_name, type(png_name))if png_name.isdigit():#是返回正middle_file_name = source_file_path + i #指定文件的路径为路径名加文件名shutil.copy(middle_file_name, new_file_path) #左边是源文件的路径加文件名称,后面是目标路径,可不加文件名称
PaddleSeg训练所需要数据集架构:
data||--annotions # 存放所有原图| |--000000.jpg| |--000001.jpg| |--...||--images # 存放所有标注图| |--000000.png| |--000001.png| |--...
我们再将annotions内图像进行伪彩色标注图处理
python tools/gray2pseudo_color.py <dir_or_file> <output_dir>
最后进行数据集划分:
python tools/split_dataset_list.py <dataset_root> images annotations --split 0.6 0.2 0.2 --format jpg png
得到最终训练所需的数据集架构:
data||--annotions| |--000000.jpg| |--000001.jpg| |--...||--images| |--000000.png| |--000001.png| |--...||--train.txt||--val.txt||--test.txt
三个txt文件的内容如下,每行是一张原始图片和标注图片的相对路径(相对于txt文件),两个相对路径中间是空格分隔符。
images\000004.jpg annotations\000004.png
images\000000.jpg annotations\000000.png
...
至此,PaddleSeg进行语义分割训练所需要的数据集架构基本完成。
使用PaddleSeg训练自己数据集的教程:
PPLiteSeg训练自己的数据集实现自动驾驶并爆改制作成API可供其他Python程序调用实时语义分割(超低延时)_Leonard2021的博客-CSDN博客
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
本文到此结束,如果对你有帮助,欢迎一键三连!
百度飞浆EISeg高效交互式标注分割软件的使用教程相关推荐
- 笔记 | 百度飞浆AI达人创造营:深度学习模型训练和关键参数调优详解
笔记 | 百度飞浆AI达人创造营:深度学习模型训练和关键参数调优详解 针对特定场景任务从模型选择.模型训练.超参优化.效果展示这四个方面进行模型开发. 一.模型选择 从任务类型出发,选择最合适的模型. ...
- 百度飞浆行人多目标跟踪笔记
开源地址: PaddleDetection/configs/mot at release/2.3 · PaddlePaddle/PaddleDetection · GitHub 百度飞浆集成了多目标跟 ...
- 入坑百度飞浆PP深度学习(一)
作为人工智能半路出家的二把刀,靠着简单实践和项目一点点开始人工智能的学习.学习资料和项目用什么平台,就去学这个平台下框架,从tensorflow到pytorch,一直没有一个系统的路线指导.偶然在CS ...
- 关于百度飞浆安装不成功的坑
开始学习深度学习的时候,打算用学一下百度飞浆,但是安装官网的教程,无论如何也安装不成功,看了网上的各种教程也无济于事,今天把python版本换成3.9之后,不仅安装成功了,并且用pip下载许多包,下载 ...
- 百度飞浆paddle应用之在嵌入式ARM上运行
最近想玩一玩智能图像处理,奈何不太懂AI,偶然找到百度飞浆,发现这个神器真不错,帮助你快速实现AI应用,即使你不怎么懂AI也可以跑起来. 百度飞浆是支持各个平台的,当然是性能越强约好.我这里用的全志A ...
- paddle百度飞浆入门使用教程
参加百度手写字体识别大赛,纯小白入门指引 本文包括: 目录 1.新手注册登陆流程 2.如何申请免费算力和notebook环境介绍 3.运行项目时遇到的问题 1.新手注册登陆流程 打开以下网址,点击登录 ...
- 百度飞浆paddlepaddle下载安装
人工智能AI:Keras PyTorch MXNet 深度学习实战(不定时更新) 个人主页 1.飞浆:https://www.paddlepaddle.org.cn/快速安装:https://ww ...
- 百度飞浆-语音转文字、语音识别使用过程的问题
前面讲述了安装时遇到的坑,这次记录使用过程遇到的问题. 首先说下整个脚本的运行过程. 先是将音频文件转化为wav格式,因为转文字时要求这个格式,再获取文件时长,并将文件分段为45秒的临时音频小文件,遍 ...
- 基于百度飞浆平台(EasyDL)设计的人脸识别考勤系统
1.1 前言 随着社会经济和科学技术的飞速发展,人们的生活变得更加智能化.科学化.信息安全逐渐引起人们的关注,信息的应用不断进入人们的视野.普通的身份识别方式并不能有效保证信息安全.生物识别技术以其稳 ...
最新文章
- 类的const和非const成员函数的重载
- POJ2528 线段树+离散化+hash(成段更新)
- js 运算符_JS的相等和严格相等运算符(== amp; ===)
- SQL Server安全(8/11):数据加密(Data Encryption)
- 马斯克又吊大家胃口:9月22日电池日有众多亮点揭晓
- deepfakes怎么用_[mcj]deepfakesApp使用说明(2)
- KDD 2021 | 谷歌DHE:不使用embedding table的类别型特征embedding
- DE13 Finding Particular Solutions to Inhomogeneous ODEs
- Google Code checkout v8 方法
- oracle 对象同义词,Oracle数据库对象_同义词
- 文化人类学课后习题答案
- espnet中的transformer和LSTM语言模型对比实验
- linux 磁盘碎片整理,Linux上没有磁盘碎片清理功能如何整理磁盘碎片
- 云堡垒机的作用_阿里云堡垒机详解
- unity2D横版游戏教程10-场景控制
- Realtek WiFi定频工具使用操作指南(rtl8188au/rtl8812au/rtl8192cu)
- 程序员:不要自称码农
- Router-based Federation架构下如何解析路径
- 国内进谷歌难,美国进谷歌就容易?来看看Google员工怎么说
- 经济与生活_02基尼系数