图像分割SAM辅助标注工具，可调用SAM等大模型（保姆级教程）

文章图像分割SAM辅助标注工具，可调用SAM等大模型（保姆级教程）分享给大家，欢迎收藏Python资料网，专注分享技术知识

 SAM等模型通过先进的深度学习技术，实现了高效、精准的图像自动化标注。这不仅显著降低了人工标注的工作量和成本，提高了标注效率和精度，还为各个领域的研究和应用提供了强大的技术支持。随着SAM等模型的不断完善和应用，自动化标注将在更多领域展现出巨大的潜力和价值。

一、环境安装

https://github.com/yatengLG/ISAT_with_segment_anything

1.创建虚拟环境

conda create -n biaozhu python=3.10
conda activate biaozhu

 2.环境安装

获取ISAT_with_segment_anything源码并安装依赖windows系统下，通过pip安装的pytorch默认是cpu版本，gpu版本的pytorch需去 pytorch 官网手动安装。

git clone https://github.com/yatengLG/ISAT_with_segment_anything.git
cd ISAT_with_segment_anything
pip install -r requirements.txt

二、工具运行

activate biaozhu

python main.py

1.模型下载（通过模型管理进行下载模型）： 

 

 

2.模型下载后进行选定模型 （前面有个对勾就选定了）

 3.打开图片文件夹

 

然后就会出现这个符号： 

 

4.然后点击这个符号，就可标注了

5.按E，标注完成，点击查看

 查看标注信息（保存在图片目录）：

{
    "info": {
        "description": "ISAT",
        "folder": "E:/ultralytics-main",
        "name": "bus.jpg",
        "width": 810,
        "height": 1080,
        "depth": 3,
        "note": ""
    },
    "objects": [
        {
            "category": "person",
            "group": 1,
            "segmentation": [
                [
                    129.0,
                    398.0
                ],
                [
                    123.0,
                    399.0
                ],
                [
                    105.0,
                    410.0
                ],
                [
                    103.0,
                    415.0
                ],
                [
                    103.0,
                    449.0
                ],
                [
                    99.0,
                    452.0
                ],
                [
                    97.0,
                    465.0
                ],
                [
                    65.0,
                    493.0
                ],
                [
                    62.0,
                    503.0
                ],
                [
                    64.0,
                    535.0
                ],
                [
                    60.0,
                    553.0
                ],
                [
                    60.0,
                    566.0
                ],
                [
                    65.0,
                    581.0
                ],
                [
                    62.0,
                    596.0
                ],
                [
                    59.0,
                    676.0
                ],
                [
                    62.0,
                    689.0
                ],
                [
                    73.0,
                    699.0
                ],
                [
                    75.0,
                    740.0
                ],
                [
                    72.0,
                    754.0
                ],
                [
                    78.0,
                    772.0
                ],
                [
                    78.0,
                    793.0
                ],
                [
                    69.0,
                    808.0
                ],
                [
                    62.0,
                    814.0
                ],
                [
                    59.0,
                    853.0
                ],
                [
                    54.0,
                    867.0
                ],
                [
                    52.0,
                    884.0
                ],
                [
                    55.0,
                    888.0
                ],
                [
                    73.0,
                    897.0
                ],
                [
                    86.0,
                    900.0
                ],
                [
                    101.0,
                    898.0
                ],
                [
                    106.0,
                    893.0
                ],
                [
                    105.0,
                    886.0
                ],
                [
                    96.0,
                    876.0
                ],
                [
                    85.0,
                    857.0
                ],
                [
                    84.0,
                    841.0
                ],
                [
                    96.0,
                    780.0
                ],
                [
                    107.0,
                    762.0
                ],
                [
                    118.0,
                    705.0
                ],
                [
                    124.0,
                    702.0
                ],
                [
                    135.0,
                    719.0
                ],
                [
                    151.0,
                    760.0
                ],
                [
                    161.0,
                    808.0
                ],
                [
                    178.0,
                    863.0
                ],
                [
                    175.0,
                    870.0
                ],
                [
                    177.0,
                    896.0
                ],
                [
                    185.0,
                    898.0
                ],
                [
                    222.0,
                    892.0
                ],
                [
                    243.0,
                    882.0
                ],
                [
                    240.0,
                    874.0
                ],
                [
                    225.0,
                    869.0
                ],
                [
                    201.0,
                    849.0
                ],
                [
                    187.0,
                    779.0
                ],
                [
                    185.0,
                    745.0
                ],
                [
                    177.0,
                    696.0
                ],
                [
                    178.0,
                    691.0
                ],
                [
                    189.0,
                    689.0
                ],
                [
                    192.0,
                    685.0
                ],
                [
                    190.0,
                    649.0
                ],
                [
                    184.0,
                    616.0
                ],
                [
                    178.0,
                    600.0
                ],
                [
                    198.0,
                    585.0
                ],
                [
                    200.0,
                    575.0
                ],
                [
                    199.0,
                    555.0
                ],
                [
                    186.0,
                    534.0
                ],
                [
                    181.0,
                    520.0
                ],
                [
                    181.0,
                    507.0
                ],
                [
                    174.0,
                    499.0
                ],
                [
                    172.0,
                    490.0
                ],
                [
                    151.0,
                    466.0
                ],
                [
                    156.0,
                    436.0
                ],
                [
                    157.0,
                    410.0
                ],
                [
                    149.0,
                    403.0
                ]
            ],
            "area": 45642.0,
            "layer": 1.0,
            "bbox": [
                51.50342469783856,
                397.42460354443125,
                243.46816458878453,
                900.4956139503413
            ],
            "iscrowd": false,
            "note": ""
        }
    ]
}

 三、使用的技术与意义

1.自动化标注使用的技术：

1. 预训练模型： SAM模型经过大量数据的预训练，能够识别并分割各种类型的对象。这种预训练使得模型具有了很强的泛化能力，可以在没有针对性标注数据的情况下，处理新的图像和对象。

2. 多尺度特征提取： SAM利用深度卷积神经网络（如ResNet、EfficientNet）提取图像的多尺度特征，这些特征能够捕捉到图像中不同大小、形状和复杂度的对象。

3. Transformer架构： 采用Transformer架构，特别是自注意力机制，使得模型能够高效地整合图像中不同区域的信息，生成更精确的分割结果。自注意力机制可以捕捉到图像中长距离的依赖关系，从而提高分割的精度和鲁棒性。

4. 区域提议网络（RPN）： RPN用于在图像中生成候选区域，这些区域可能包含目标对象。然后，SAM对这些候选区域进行进一步的精细分割。这一过程提高了分割的效率，因为模型只需要处理可能包含对象的区域，而不是整张图像。

5. 图像分割掩码生成： 基于模型提取的特征和区域提议，SAM生成对应的分割掩码。这些掩码准确地描绘出每个对象的边界，确保高精度的分割结果。

6. 主动学习和数据增强： 在模型训练过程中，采用主动学习和数据增强技术，通过选择性地挑选和生成更具挑战性的训练样本，来不断提升模型的表现。这种方法确保了模型在面对各种复杂场景时，依然能够保持高精度的分割能力。 

2.自动化标注的意义：

1. 显著降低人工成本： 传统的图像标注需要大量的人工操作，标注过程繁琐且耗时。SAM模型的自动化标注可以大大减少人工标注的工作量，降低标注成本。例如，在大型图像数据库的建立过程中，SAM可以快速、高效地完成对象分割任务，节省大量人力资源。

2. 提高标注效率和精度： SAM模型能够在短时间内处理大量图像，并生成高精度的分割结果。这不仅提高了标注效率，还减少了人工标注过程中可能出现的误差和不一致性，确保数据标注的一致性和准确性。

3. 支持大规模数据标注： 在需要大规模图像标注的应用场景中，如自动驾驶数据集的构建、医学影像数据的分析，SAM模型的自动化标注能力显得尤为重要。它能够快速处理成千上万张图像，为进一步的研究和开发提供高质量的标注数据。

4. 促进科研和开发： 高质量的标注数据是计算机视觉研究和开发的基础。SAM模型的自动化标注能力可以帮助研究人员快速获得大量标注数据，从而加速模型训练和验证过程，推动计算机视觉技术的发展。

5. 多领域应用： SAM模型的通用性使其在各个领域都有广泛的应用前景。例如，在医学影像中，SAM可以帮助医生快速识别和分割病变区域，提高诊断效率；在遥感图像分析中，SAM可以自动分割土地覆盖类型，辅助地理信息系统的建设；在工业检测中，SAM可以用于产品缺陷检测，提高生产质量。

 

版权声明：本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：jacktools123@163.com进行投诉反馈，一经查实，立即删除！