Anno-Mage：一款半自动图像标注工具

基于 TensorFlow 和 Keras 目标检测模型的半自动图像标注工具箱。

安装

1. 克隆本仓库。

2. 在仓库目录下执行 pip install -r requirements.txt。 注意，由于 TensorFlow 的安装方式存在不一致性，本包并未直接指定对 TensorFlow 的依赖，因为这可能会导致错误的安装（至少在 Arch Linux 上会出现此类问题）。请根据您的系统要求正确安装 TensorFlow。 同时，请确保已安装 Keras 2.1.3 或更高版本以及 OpenCV 3.x。

3. a) 对于 Keras 模型：下载 预训练权重，并将其保存到 /snapshots/keras 目录下。

   b) 对于 TensorFlow 模型：从 这里 获取所需的模型，并解压至 /sanpshots/tensorfow 目录。

   c) 您也可以将自定义的预训练模型保存到相应的目录中。

依赖项

1. TensorFlow ≥ 1.7.0

2. OpenCV = 3.x

3. Keras ≥ 2.1.3

Python ≥ 3.5

使用说明

1. 从下拉菜单中选择您需要建议的 COCO 物体类别并添加。或者直接点击 Add all classes。

2. 选择所需的模型，然后点击 Add model。

3. 点击 detect 按钮。

4. 手动标注时，从列表中选择物体类别，并保持选中状态的同时绘制边界框。

5. 最终的标注结果将保存在 ./annotations/annotations.csv 文件中，同时也会生成一个 XML 文件。

使用示例

对于 MSCOCO 数据集：

python main.py

对于其他数据集：

首先修改 config.py（针对 Keras 模型）或 tf_config.py（针对 TensorFlow 模型）中的标签配置。 然后运行：

python main.py

测试环境：

1. Windows 10

2. Linux 16.04

3. macOS High Sierra

欢迎加入开发者社区参与贡献

Slack 链接：https://join.slack.com/t/annomage/shared_invite/zt-dh4ca9du-4VOcwUMCSNA6lmyG~tNUPg

致谢

1. Meditab Software Inc.

2. Keras 实现的 RetinaNet 目标检测模型

3. 计算机视觉小组，L.D. 工程学院

Anno-Mage 半自动图像标注工具快速上手指南

Anno-Mage 是一款基于 TensorFlow 和 Keras 目标检测模型的半自动图像标注工具箱，旨在通过 AI 模型预标注来加速人工标注流程。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统：Windows 10, Linux (如 Ubuntu 16.04), 或 macOS High Sierra 及以上版本。
• Python 版本：Python >= 3.5。
• 核心依赖（需手动安装）：
  • tensorflow >= 1.7.0（请注意：由于安装方式差异，本工具未将其列入自动依赖，请根据系统自行安装）。
  • keras >= 2.1.3。
  • opencv-python == 3.x。

提示：国内用户建议使用清华源或阿里源加速 Python 包安装，例如：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple <package_name>。

安装步骤

1. 克隆项目

git clone https://github.com/virajmavani/semi-auto-image-annotation-tool.git
cd semi-auto-image-annotation-tool

2. 安装基础依赖

执行以下命令安装除 TensorFlow 外的其他依赖：

pip install -r requirements.txt

注意：请确保已按上述“环境准备”要求单独正确安装了 TensorFlow、Keras 和 OpenCV。

3. 下载预训练模型

根据您想使用的框架，下载对应的权重文件并放入指定目录：

• 方案 A：使用 Keras 模型 (RetinaNet) 下载 resnet50_coco_best_v2.1.0.h5 并保存至 /snapshots/keras 目录。

• 方案 B：使用 TensorFlow 模型 从 TensorFlow 模型库 选择所需模型，解压后放入 /snapshots/tensorflow 目录。

• 自定义模型：也可将自定义预训练模型保存至上述对应目录中。

基本使用

1. 启动工具

如果您使用的是标准的 MSCOCO 数据集类别，直接运行：

python main.py

如果您使用的是自定义数据集，请先修改配置文件：

• Keras 模型：编辑 config.py 中的标签列表。
• TensorFlow 模型：编辑 tf_config.py 中的标签列表。 然后运行：

python main.py

2. 标注流程

软件界面操作如下：

1. 选择类别：在下拉菜单中选择需要 AI 建议的 COCO 物体类别并添加，或直接点击 Add all classes。
2. 加载模型：选择已下载的模型，点击 Add model。
3. 自动检测：点击 detect 按钮，AI 将自动生成建议框。
4. 人工修正：
   • 从列表中选中正确的物体类别。
   • 保持选中状态，手动绘制或调整边界框（BBox）。
5. 保存结果：标注完成后，结果将自动保存。
   • CSV 格式：位于 ./annotations/annotations.csv
   • XML 格式：同目录下生成的 XML 文件。