如何快速准备高质量的图像分割的标注数据?

举报
徐波 发表于 2021/06/17 20:15:26 2021/06/17
【摘要】 ModelArts最新支持了图像分割标注,用户可以: - 手动标注物体轮廓,支持多点标注物体。 - 使用交互式智能标注加速标注,只需要标注四个极点:最上、最下、最左、最右四个点,然后ModelArts就会调用内置的图像分割算法,获取图像分割的边缘点,用户只需要确认或者稍作调整即可完成标注。 图像分割标注结果可用于训练得到用于识别图片中每个物体轮廓的模型。

如何快速准备高质量的图像分割的标注数据?

ModelArts最新支持了图像分割标注,用户可以:

  • 手动标注物体轮廓,支持多点标注物体。
  • 使用交互式智能标注加速标注,只需要标注四个极点:最上、最下、最左、最右四个点,然后ModelArts就会调用内置的图像分割算法,获取图像分割的边缘点,用户只需要确认或者稍作调整即可完成标注。

图像分割标注结果可用于训练得到用于识别图片中每个物体轮廓的模型。

本教程指导您如何在ModelArts中创建图像分割类型的数据集,以及数据如何进行标注,为后续训练做准备。

数据准备

下载数据

  • 此次体验数据包含88张图片。需要从AI Gallery下载数据至OBS。图像分割的数据集名字为:dataset-segmentation-88

图像分割

创建数据集

  • 进入ModelArts数据管理->数据集,点击创建一个数据集,类型选择图像分割,输入路径选择Gallery下载数据的位置,创建标签"person",“car”。也可在标注中创建图片。

开始标注

  • 标注说明

    图像分割支持两种标注方式,多边形标注需要根据物体轮廓绘制拐点:

    极点标注能够根据四个极点自动描绘出轮廓,效率相对较高

  • 修改标注

    • 修改标签:**“标注”**区域中,单击编辑图标,在弹出框中输入正确的标签名或标签颜色,然后单击“确定”完成修改。也可以单击标签,在图片标注区域,调整标注框的位置和大小,完成调整后,单击其他标签即可保存修改。
    • 修改图片标注信息:右键点击退出标注模式,然后选定已标注的物体可进行修改
    • 删除标签:在**“标注”**区域中,单击删除图标即可删除此图片中的标签。图片的标签全部删除后,该图片会重新回到“未标注”页签。

发布数据集

版本发布后在数据集的输出目录下会生成对应的标注结果文件和mask图像

  • 目录结构

    |-- user-specified-output-path 
        |-- DatasetName-datasetId 
            |-- annotation 
                |-- VersionMame1 
                    |-- VersionMame1.manifest 
                    |-- annotations
                       |-- iamge1.xml    
                       |-- image2.xml
                    |-- segmentationClass
                       |-- image1.png
                       |-- image2.png
                |-- VersionMame2
                    ...
                |-- ...
    
  • 示例数据:

    原图与mask图像

标注文件:

对比VOC,增加了mask_source和mask_color字段,表示mask图像存放路径和标签颜色。

<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<annotation>
    <folder>NA</folder>
    <filename>img202101100524_N_1618456102898.JPG</filename>
    <source>
        <database>Unknown</database>
    </source>
    <size>
        <width>1000</width>
        <height>667</height>
        <depth>3</depth>
    </size>
    <segmented>1</segmented>
    <mask_source>obs://test/out/dataset-89e6-9y1T8TQRl9VoS5Te6A4/annotation/V008/segmentationClass/img202101100524_N_1618456102898.png</mask_source>
    <object>
        <name>dog</name>
        <pose>Unspecified</pose>
        <truncated>0</truncated>
        <difficult>0</difficult>
        <mask_color>255,0,0</mask_color>
        <occluded>0</occluded>
        <polygon>
            <x1>448</x1>
            <y1>231</y1>
            <x2>438</x2>
            <y2>231</y2>
            <x3>436</x3>
            <y3>252</y3>
            <x4>419</x4>
            <y4>259</y4>
            <x5>403</x5>
            <y5>255</y5>
            <x6>385</x6>
            <y6>236</y6>
            <x7>376</x7>
            <y7>239</y7>
            <x8>374</x8>
            <y8>263</y8>
            <x9>387</x9>
            <y9>314</y9>
            <x10>386</x10>
            <y10>327</y10>
            <x11>378</x11>
            <y11>335</y11>
            <x12>364</x12>
            <y12>334</y12>
            <x13>348</x13>
            <y13>344</y13>
            <x14>314</x14>
            <y14>400</y14>
            <x15>314</x15>
            <y15>428</y15>
            <x16>321</x16>
            <y16>445</y16>
            <x17>323</x17>
            <y17>480</y17>
            <x18>327</x18>
            <y18>499</y18>
            <x19>352</x19>
            <y19>500</y19>
            <x20>355</x20>
            <y20>473</y20>
            <x21>357</x21>
            <y21>460</y21>
            <x22>372</x22>
            <y22>467</y22>
            <x23>393</x23>
            <y23>494</y23>
            <x24>420</x24>
            <y24>496</y24>
            <x25>425</x25>
            <y25>494</y25>
            <x26>425</x26>
            <y26>476</y26>
            <x27>432</x27>
            <y27>468</y27>
            <x28>460</x28>
            <y28>458</y28>
            <x29>476</x29>
            <y29>443</y29>
            <x30>493</x30>
            <y30>467</y30>
            <x31>509</x31>
            <y31>465</y31>
            <x32>525</x32>
            <y32>453</y32>
            <x33>525</x33>
            <y33>439</y33>
            <x34>520</x34>
            <y34>431</y34>
            <x35>521</x35>
            <y35>407</y35>
            <x36>490</x36>
            <y36>315</y36>
            <x37>485</x37>
            <y37>286</y37>
            <x38>448</x38>
            <y38>231</y38>
        </polygon>
    </object>
</annotation>

参考:
【1】华为云ModelArts文档中心:https://support.huaweicloud.com/bestpractice-modelarts/modelarts_10_0019.html
【2】如何快速准备高质量的AI数据? https://bbs.huaweicloud.com/blogs/261979
【3】更多功能:https://bbs.huaweicloud.com/blogs/262413
【4】ModelArts产品地址:https://console.huaweicloud.com/modelarts/?region=cn-north-4#/dataset

【版权声明】本文为华为云社区用户原创内容,转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息, 否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。