
–分类标注是最基本的标注方式,就是常见的“打标签”,一般是从既定的标签(封闭集合
)中选择数据对应的标签,通常使用在文本、图像、语音、视频等类型文件的数据标注中
。图像分类标注是指根据业务的需求,将图片按照不同类别进行分类,设置不同的分类标
签。针对不同的场景和项目,对图片的分类方式也有所不同,可以根据主要物体进行单一
–标框标注就是框选图像中要检测的对象,也就是标出图片中感兴趣的目标,如图像中的人
、汽车、建筑物等。通常用最小外接矩形框出图中所给类别的物体,一个框只能标一个物
体,不可重复标注同一个物体。框选出待检测物体之后还需要对所选框添加一个或多个标
–因为物体的边缘可以是柔性的,因此相比于标框标注,对图像的区域标注要求更加精确,
更加关注如何将图像分割成属于不同语义类别的区域,而这些区域的标注和预测都是像素
级的。需要围绕标注元素的轮廓进行标注,多以点框的形式进行。多边形拉的框往往也需
要添加标签来对元素进行注明。通常用多边形贴合物体的轮廓,从而针对图像进行像素分
类。如人像分割应用就是将人体轮廓与图像背景进行分离,标注时就需要使用区域标注将
–描点标注需要根据要求对物体进行描点标注,往往此类标注会对每个点的位置进行限制和
要求,从而实现高精度的检测识别。此类标注对人员的要求较高,但相应标注的单价也会
高很多。人脸识别、骨骼识别等一些对于特征要求细致的应用中,常常需要对图像进行描
–此类标注占的比例较少,但目前此类标注有增加的趋势。此类标注需要对图片内的元素进
行区分,并对每部分分别进行标注填色,一般需要先像ps抠图那样将此部分元素抠出来然
–数据采集与获取整个数据标注流程的首要环节。目前对于数据标注众包平台而言,其数据
主要来源于提出标注需求的人工智能公司。对于这些人工智能公司,他们的数据又是从哪
来的呢?比较常见的是通过互联网获取公开的数据集与专业数据集。公开数据集是政府、
科研机构等对外开放的资源,获取比较简单,而专业数据往往更耗费人力物力,有时需要
–在获取数据后,并不是每一条数据都能够直接使用,有些数据是不完整、不一致、有噪声
的脏数据,需要通过数据预处理,才能真正投入问题的分析研究中。在预处理过程中,要
把脏数据“洗掉”的数据清洗是重要的环节。在数据清洗中,应对所采集的数据进行筛检,
去掉重复的、无关的数据,对于异常值与缺失值进行查缺补漏,同时平滑噪声数据,最大
限度纠正数据的不一致行和不完整性,将数据统一成合适于标注且与主题密切相关的标注
–数据经过清洗,即可进入数据标注的核心环节。一般在正式标注前,需要算法工程师给出
标注样板,并为具体标注人员详细阐述标注需求和标注规则,经过充分讨论和沟通,以保
证最终数据输出的方式、格式和质量一步到位,这也被称为试标过程。试标后,标注工程
–无论是数据采集、数据清洗,还是数据标注,通过人工处理数据的方式并不能保证完全准
确。为了提高数据输出的准确率,数据质检成为重要的环境,而最终通过质检环节的数据
•在计算机视觉研究领域,也有很多优秀的开源标注工具,包括CVAT(OpenCV
以适用于分类、标框、区域以及描点等标注任务。我们使用LabelMe完成各项
•LabelMe使用Python语言开发,并使用Qt作为图形界面,是常用的开源标注工
统中安装,也可以在Anaconda和Docker环境中安装。输入安装命令:
•就可以启动LabelMe的下载安装,此时会安装LabelMe及其相关的软件包。安
装成功后,会出现如图所示的画面,代表成功安装了LabelMe及其相关的软件
•安装成功后,输入命令labelme,即可启动如图所示的标注界面。LabelMe的界
–--flags:用于指定分类标志名称,可以是用逗号分隔的分类标志列,也可以是包含分类标志
–--labels:用于指定标签名称,可以是用逗号分隔的标签列,也可以是包含标签的TXT文件
–--nodata:说明在标注文件中不需要增加图像的部分,也就是不保存图像到JSON文件,如
–--autosave:说明每次标注完成一张图片进入下一张的时候,系统不提醒是否保存,而是直
• 花卉分类标注是一个典型的分类问题。从网络上下载了一系列的花卉的图像,
• 通过LabelMe进行标注之前,需要准备一个类别的说明文件,通常命名为
flags.txt,这里说明本次标注的所有类别,常规的做法在第1行会使用
• 在本任务中,需要写入标注的5个花卉的分类和默认的__ignore__类别。
• 把上面准备好的flags.txt文件和数据集flowers目录放在一个项目目录下,然后
flags.txt中预置的类别,选择“daisy”选项,完成此张图片的标注
• 单击左侧的Next Image按钮,系统会自动把当前的标注结果写入对应的JSON
。也可以单击Prev Image按钮,查看前面标注过的图片是否漏标或者存在错误
• 标注完成后,查看flowers目录,可以看到每张图片都多了一个同样命名的
• 可以看到在flags对象中,记录了标注的图片类别,结果是通过布尔类型表示的
• 行人检测中,行人标注是一个典型的标框标注问题。从网络上下载一幅含有行
• 通过LabelMe进行标注之前,需要准备一个目标检测物体的预置文件,通常命
线行增加_background_(注意前后各一个下画线),作为后续分割任务
• 同样,把准备好的labels.txt文件和数据集people目录放在一个项目目录下,然
• 运行命令,LabelMe会打开people目录下的第1张图片,右击鼠标,在弹出的
快捷菜单中选择Create Rectangle 命令,创建矩形框,如图所示。
• 然后紧贴着图像中的行人进行框选,保证人体的部分都在矩形框内。框选完成
后,会弹出菜单,根据预置的标签选择目标名称,这里选择PEOPLE,完成行
• 所有的标注信息都保存在JSON文件中,可以看到在shapes对象中,记录了标
注的矩形框的数组。每个数组中包括:labels,标签值为PEOPLE;points,包括标
注的矩形的左上角和右下角的坐标的x、y值;shape_type,表示框选的类型是
矩形(rectangle). 标注文件末尾还有图片属性,包括文件名称和图像的宽度、
• 人像分割就是一个典型的区域标注应用,就是将人体轮廓与图像背景进行分离
• 通过LabelMe 进行标注之前,需要准备一个人像目标的预置文件,通常命名为
画线行增加_background_(注意前后各一个下画线),作为后续分割任
• 同样,把准备好的labels.txt文件和数据集person目录放在一个项目目录下,然
• 运行命令,LabelMe 会打开person目录下的第1张图片,右击鼠标,在弹出的
• 所有的标注信息都保存在JSON文件中,可以看到在shapes对象中,记录了标
注的多边形框的数组。每个数组中包括:labels,标签值为PERSON;points,包
括多边形多个顶点坐标的x、y值;shape_type,表示框选的类型是多边形(
polygon). 标注文件末尾还有图片属性,包括文件名称和图像的宽度、高度等
• 此外,描点标注和语义分割标注的方法也都和上述方法类似。视频标注一般是