大家好，又见面了，我是你们的朋友全栈君。
对于监督学习算法而言，数据决定了任务的上限，而算法只是在不断逼近这个上限。世界上最遥远的距离就是我们用同一个模型，但是却有不同的任务。但是数据标注是个耗时耗力的工作，下面介绍几个图像标注工具：
团队协同
CVAT
- 多用户在线协同
- 用户管理，权限设置
- 检测标注
- 多目标跟踪标注
- 分类，分割，关键点标注
语音标注- 标注的便捷性（快捷键，N）
- 是否支持辅助标注
- 工作量统计
LabelStudio
- 多用户在线协同
用户管理，权限设置- 检测标注
多目标跟踪标注- 分类，分割，关键点标注
- 语音标注
- 标注的便捷性（快捷键，N）
- 是否支持辅助标注
工作量统计
ScaLabel
- 多用户在线协同
用户管理，权限设置- 检测标注
多目标跟踪标注- 分类，分割，关键点标注
语音标注- 标注的便捷性（快捷键，N）
- 是否支持辅助标注
工作量统计
MakeSense
- 多用户在线协同
用户管理，权限设置- 检测标注
多目标跟踪标注- 分类，分割，关键点标注
语音标注标注的便捷性- 是否支持辅助标注
工作量统计
单机
Labelme
Labelme适用于图像分割任务的数据集制作：
该软件实现了最基本的分割数据标注工作，在save后将保持Object的一些信息到一个json文件中，如下：
https://github.com/wkentaro/labelme/blob/master/static/apc2016_obj3.json
同时该软件提供了将json文件转化为labelimage的功能：
labelImg
Labelme适用于图像检测任务的数据集制作：
其中标签存储功能和“Next Image”、“Prev Image”的设计使用起来比较方便。
该软件最后保存的xml文件格式和ImageNet数据集是一样的。
yolo_mark
yolo_mark适用于图像检测任务的数据集制作：
它是yolo团队开源的一个图像标注工具，为了方便其他人使用yolo2训练自己的任务模型。在linux和win下都可运行，依赖opencv库。
Vatic
Vatic适用于图像检测任务的数据集制作：
比较特别的是，它可以做视频多目标跟踪的标注，比如一个25fps的视频，只需要隔100帧左右手动标注一下物体的位置，最后在整个视频中就能有比较好的效果。这依赖于软件集成的opencv的追踪算法。
Sloth
Sloth适用于图像检测任务的数据集制作：
https://cvhci.anthropomatik.kit.edu/~baeuml/projects/a-universal-labeling-tool-for-computer-vision-sloth/
在标注label的时候，该软件可以存储标签，并呈现标注过的图片中的bbox列表。
Annotorious
Annotorious适用于图像检测任务的数据集制作：
代码写的相当规范，提供了相应的API接口，方便直接修改和调用。
RectLabel
RectLabel适用于图像检测任务的数据集制作：
这是一个适用于Mac OS X的软件，而且可以在apple app store中直接下载。
VoTT
VoTT适用于图像检测任务的数据集制作：
微软的开源工具，既可以标注视频，也可以标注图片，而且支持已有模型的集成，功能强大。
IAT – Image Annotation Tool
IAT适用于图像分割任务的数据集制作：
比较有特色的是，它支持一些基础形状的选择，比如要分割的物体是个圆形的，那么分割时可以直接选择圆形，而不是用多边形选点。
images_annotation_programme
images_annotation_programme适用于图像检测任务的数据集制作：
网页版的哦
除此之外，还有很多类似的工具，与上面的工具相比，并没有什么特色了，我们只给出链接，不详细介绍了：
ImageNet-Utils
labeld
VIA
ALT
FastAnnotationTool
LERA
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/137774.html原文链接：https://javaforall.net
