PaddleSeg EISeg 交互式标注工具：从安装部署到 2D/视频/3D 多场景标注的完整实践指南

人工智能计算机视觉预训练【免费下载链接】PaddleSegEasy-to-use image segmentation library with awesome pre-trained model zoo, supporting wide-range of practical tasks in Semantic Segmentation, Interactive Segmentation, Panoptic Segmentation, Image Matting, 3D Segmentation, etc.项目地址https://gitcode.com/gh_mirrors/pa/PaddleSeg点击查看免费下载EISegEfficient Interactive Segmentation是基于 PaddlePaddle 构建的高效智能交互式分割标注软件隶属于 PaddleSeg 仓库下的独立子项目覆盖通用场景、人像、遥感、医疗、视频与工业质检等方向的多种预训练交互分割模型。本文以 EISeg/README_EN.md 为主体结合安装文档、各场景教程与源码实现系统讲解 EISeg 的功能定位、安装方式、模型准备、2D/视频/遥感/医疗标注工作流及版本演进读完后可直接上手完成“标注—导出—训练”的分割数据闭环。一、EISeg 是什么交互式标注定位与 PaddleSeg 的分工PaddleSeg 主库解决的是语义分割模型的训练、评测与部署而 EISeg 解决的是上游最耗时的问题——高质量分割标注数据的低成本生产。它把“点几下鼠标”变成可用的语义/实例标签用户以正负样本点引导预训练交互模型生成 mask再用多边形微调边界即可批量产出训练数据。README 将其能力概括为一条完整链路用 EISeg 产出的标注可反向喂给 PaddleSeg 提供的其他分割模型进行训练从而构建面向自定义场景的高性能模型打通从数据标注到模型训练、推理的分割任务全流程见 EISeg/README_EN.md “Introduction” 一节。从源码结构看EISeg 是一个 PyQt5 桌面应用EISeg/eiseg/init.py 声明了__APPNAME__ EISeg与__VERSION__ 1.1.2并在包导入时即完成日志系统初始化按 EISeg/eiseg/config/setting.txt 中的logFolder、log、logDays配置默认写入log/eiseg-时间戳.log主窗口类APP_EISeg(QMainWindow, Ui_EISeg)定义在 EISeg/eiseg/app.py业务逻辑层在 EISeg/eiseg/models.pyEISegModelUI 骨架、推理封装、插件与控件分别位于EISeg/eiseg/ui.py、EISeg/eiseg/inference/、EISeg/eiseg/plugin/与EISeg/eiseg/widget/目录。README 开头的演示 GIF 分别对应其七类典型能力通用分割、人像分割、遥感建筑分割、医疗分割、工业质检、通用视频分割与 3D 医疗分割。最新动态README “Latest Developments”2022-12-16 EISeg 1.1 发布新增检测标注能力支持手工标注或调用 PicoDet-S 检测模型辅助打标检测标注结果支持 COCO、VOC、YOLO 多种格式分割结果新增 LabelMe JSON 格式。2022-09-16标注模型 MUSCLE 被 MICCAI 2022 接收详见 EISeg/docs/MUSCLE_en.md。二、安装与环境要求安装细节完整记载于 EISeg/docs/install_en.md支持 Windows / macOS / Linux推荐在 conda 虚拟环境中安装以避免依赖冲突。硬性版本要求为PaddlePaddle 2.2.0README 徽章同时标注了 Python 3.6 与 PaddlePaddle 2.2 的基线。EISeg 的核心依赖声明在 EISeg/requirements.txt 中包括pyqt5、qtpy、opencv-python、scipy、paddleseg、albumentations、cython、scikit-image、protobuf3.20.0等。可以推断pyqt5/qtpy支撑 GUI 与跨 Qt 绑定兼容paddleseg提供分割网络结构定义albumentations与opencv-python服务于图像读取与预处理scikit-image/scipy则用于多边形转 mask 等几何处理。方式一源码运行兼容 Win/Mac/Linux# 克隆仓库以 git clone 说明为例使用项目对应的仓库地址 git clone https://gitcode.com/gh_mirrors/pa/PaddleSeg.git cd PaddleSeg pip install -r EISeg/requirements.txt注意若需使用遥感GDAL或医疗SimpleITK能力需先按 EISeg/docs/remote_sensing_en.md 与 EISeg/docs/medical_en.md 安装对应依赖。随后在 EISeg 目录下启动cd PaddleSeg/EISeg python -m eiseg或直接执行入口脚本 EISeg/eiseg/exe.pycd PaddleSeg/EISeg/eiseg python exe.py两个入口最终都调用 EISeg/eiseg/run.py 中的main()创建QApplication按config/setting.txt中的language字段决定是否加载util/translate/下的翻译文件即 README 版本记录中提到的中/英文界面切换实例化APP_EISeg并最大化显示再调用window.loadRecentModelParam()自动加载上次使用的模型参数。方式二pip 安装pip install eiseg # 依赖自动安装后直接执行 eiseg入口点由 EISeg/setup.py 中的entry_points{console_scripts: [eisegeiseg.run:main]}注册打包时还会将pycocotools._mask作为 Cython 扩展编译源码为EISeg/eiseg/util/coco/common/maskApi.c与EISeg/eiseg/util/coco/pycocotools/_mask.pyx见 EISeg/setup.py这正是分割结果支持 COCO/LabelMe 格式所需的 mask 编解码能力。三、2D 图像标注模型准备与五步工作流2D 标注的完整操作指南在 EISeg/docs/image_en.md。EISeg 0.5.0 起提供覆盖 COCOLVIS、人像、遥感mapping_challenge、MRSpineSeg、胸部 X 光、LiTS腹部器官与自建铝板质检数据的 7 个方向的预训练模型模型架构对应界面中的“网络选择”模块用户需按场景选择网络并加载对应参数。模型清单完整继承自原文档模型类型适用场景模型架构参数文件高性能模型通用场景图像标注HRNet18_OCR64static_hrnet18_ocr64_cocolvis轻量模型通用场景图像标注HRNet18s_OCR48static_hrnet18s_ocr48_cocolvis高性能模型人像场景标注HRNet18_OCR64static_hrnet18_ocr64_human高性能模型通用场景图像标注EdgeFlowstatic_edgeflow_cocolvis轻量模型人像场景标注HRNet18s_OCR48static_hrnet18s_ocr48_human轻量模型遥感建筑标注HRNet18s_OCR48static_hrnet18_ocr48_rsbuilding_instance高性能模型医疗胸部 X 光标注Resnet50_DeeplabV3static_resnet50_deeplab_chest_xray轻量模型医疗肝脏标注HRNet18s_OCR48static_hrnet18s_ocr48_lits轻量模型医疗脊柱结构标注HRNet18s_OCR48static_hrnet18s_ocr48_MRSpineSeg轻量模型工业铝板缺陷标注HRNet18s_OCR48static_hrnet18s_ocr48_aluminium原文档的重要注意事项NOTE模型结构*.pdmodel与参数*.pdiparams必须放在同一目录加载时只需指定*.pdiparams路径*.pdmodel会自动加载使用EdgeFlow模型时需关闭Use Mask使用其他模型时需勾选Use Mask高性能模型建议在带 GPU 的机器上使用以获得更流畅的标注体验。五步标注流程Load Model Parameter选择网络并加载参数。静态图模型初始化需要一定时间需等待加载完成成功加载的参数会记录到Recent Model Parameters列表中可快速切换且下次启动软件时自动加载上次的参数对应源码 EISeg/eiseg/run.py 中的window.loadRecentModelParam()。Load Image打开单张图像或图像文件夹主窗口正确显示图像且Data List中路径正确即就绪。Add/Load Label通过Add Label新建标签标签表含像素值、描述、颜色、删除四列Save Label List可导出为 txt 供协作方Load Label List导入导入的标签在重启后自动加载。Annotation交互标注核心——左键添加正样本点、右键添加负样本点完成后按Space工具会沿目标边界生成多边形框用户可拖动顶点进一步精修分割精度。Autosave设置目标文件夹并开启自动保存后切换图像时自动保存已标注结果。快捷键速查表默认按E可自定义键/快捷键功能键/快捷键功能鼠标左键添加正样本点Space完成标注/切换状态鼠标右键添加负样本点CtrlZ撤销鼠标中键图像平移CtrlShiftZ清除Ctrl滚轮图像缩放CtrlY重做S上一张图像CtrlA打开图像F下一张图像ShiftA打开文件夹E打开快捷键列表Backspace删除多边形双击点删除点双击边添加点新功能说明Polygon多边形编辑按 Space 完成交互标注后出现多边形边界在多边形内继续交互标注需再按 Space 切回交互模式此时多边形不可选支持删除多边形、拖动锚点、双击锚点删除、双击边加锚点开启Keep Maximum Connected Blocks后仅保留最大连通区域其余小块不显示也不保存。Save Format保存格式设置JSON Save或COCO Save后多边形会被记录并在加载图像时自动恢复未指定保存路径时默认存到当前图像目录下的label文件夹同名不同后缀的图像可开启labels and images with the same extensions处理工具栏第 7–9 个工具还支持保存为灰度图、伪彩图或抠图matting图像。Generate mask掩膜生成按住标签表第二列拖拽可调整标签顺序最终 mask 按标签表自上而下覆盖生成0.3.0 版本记录中提到的“标签栏可拖动、mask 自上而下覆盖”即此机制。Interface Module界面模块Display菜单中可勾选展示哪些界面模块常规退出时的模块状态与位置会被记录并自动恢复。Vertical Segmentation垂直分割遥感与医疗图像分割需额外依赖——遥感装 GDAL见 EISeg/docs/remote_sensing_en.md医疗装 SimpleITK见 EISeg/docs/medical_en.md。Scripting Tool脚本工具提供标注转 PaddleX 数据集、COCO 格式描摹、语义标签转实例标签等脚本对应 EISeg/tool/ 目录cut_video.py视频切分、medical2video.py医学切片转视频、eiseg2paddlex.py标注转 PaddleX 数据集、labelme-json2labelme-coco.pyLabelMe JSON 转 COCO、semantic2instance.py语义转实例标签详见 EISeg/docs/tools_en.md。四、视频交互式分割与 3D 医疗标注视频标注教程见 EISeg/docs/video_en.md。其算法基础是 EISeg 交互分割算法与 MiVOS 的时序传播思想README Contributors 亦致谢了 MiVOS 与 RITM。环境上需额外安装 VTK 用于 3D 可视化pip install vtk模型选择交互式模型 传播模型双下载视频标注需要同时下载“逐帧交互式模型”与“时序传播模型Propagation”下表完整继承原文档模型类型适用场景模型架构交互式模型传播模型高性能通用场景HRNet18_OCR64static_hrnet18_ocr64_cocolvisstatic_propagation轻量通用场景HRNet18s_OCR48static_hrnet18s_ocr48_cocolvisstatic_propagation高性能通用场景EdgeFlowstatic_edgeflow_cocolvisstatic_propagation高性能人像场景HRNet18_OCR64static_hrnet18_ocr64_humanstatic_propagation轻量人像场景HRNet18s_OCR48static_hrnet18s_ocr48_humanstatic_propagation轻量肝脏医疗HRNet18s_OCR48static_hrnet18s_ocr48_litsstatic_propagation_lits轻量CT 脊柱结构医疗HRNet18s_OCR48static_hrnet18s_ocr48_MRSpineSegstatic_propagation_spine数据准备与使用要点视频分割计算量大建议用带显卡的电脑且单个标注视频不超过100 帧超出的可用 EISeg/tool/cut_video.py 切分。3D 医疗标注把医学切片序列当作视频帧处理即用视频标注方法实现 3D 医学图像标注切片需先转 mp4使用 EISeg/tool/medical2video.py。如需 3D 展示可在Display菜单勾选 3D 显示功能3D 医疗相关的子项目源码位于 EISeg/med3d/EISegMed3D/含 EISeg/med3d/README.md 与独立打包配置 EISeg/med3d/pyproject.toml。操作流程与 2D 类似但增加第 4 步Load Propagation Model Parameter传播模型同样按“*.pdmodel与*.pdiparams同目录、仅指定 pdiparams”的规则加载选择其一并加载后其余模型自动加载第 5 步Annotate Reference Frame中仅参考帧需要人工点正负样本后续帧由传播模型自动延展。五、遥感场景GDAL 安装、波段选择与地理数据导出遥感能力说明见 EISeg/docs/remote_sensing_en.md。EISeg 通过 GDAL栅格空间数据翻译库与 OGR矢量数据支持遥感数据。安装 GDALWindows按 Python 与系统版本下载对应*.whl二进制包后本地安装文档示例GDAL 3.3.3 / cp39 / win_amd64cd download pip install GDAL-3.3.3-cp39-cp39-win_amd64.whlLinux/Mac推荐 conda 安装conda install gdal核心功能数据加载目前仅读取*.tif/tiff后缀图像因训练数据均为 RGB 三通道遥感切片EISeg 支持多波段数据的波段选择——打开 GTiff 后可获取当前波段数通过波段设置下拉列表配置 RGB 通道映射默认[b1, b1, b1]。大图切片支持大尺寸遥感图像切片与预测后合并原文档称曾尝试 17000×10000 的三通道约 900M 图像切片重叠区overlap为 24。地理数据保存待标注 GTiff 若附带地理配准可保存为带地理配准的 GTiffGIS/卫星遥感行业标准栅格文件或 ESRI Shapefile最通用的矢量数据格式0.5.0 版本修复了保存 shapefile 时的 geo-transform/CRS 错误。遥感标注模型建筑标注推荐使用static_hrnet18_ocr48_rsbuilding_instance基于 40 万 建筑数据训练的交互式建筑分割模型即 2D 模型表中的“遥感建筑”条目。六、版本演进脉络README “Version Updates” 一节记录了 EISeg 的完整迭代史可直接作为选型参考2022.12.16 1.1.0新增检测标注手工或 PicoDet-S 模型辅助检测结果支持 COCO、VOC、YOLO分割结果新增 LabelMe JSON 格式。2022.07.20 1.0.0交互式视频目标分割能力腹部多器官 3D 标注模型CT 椎体 3D 标注模型。2022.04.10 0.5.0胸部 X 光交互模型MRSpineSeg 交互模型工业质检模型修复 shapefile 保存的 geo-transform/CRS 错误。2021.12.14 0.4.1修复崩溃 bug新增遥感建筑图像后标注操作。2021.11.16 0.4.0动态图推理转静态图推理单击速度提升约十倍遥感标注支持多光谱通道选择支持大尺寸数据切片多方块划分医疗图像标注支持 dicom 读取与窗宽/窗位选择。2021.09.16 0.3.0完成多边形编辑功能可编辑交互标注结果支持中英文界面支持保存灰度/伪彩标签与 COCO 格式标签栏可拖动、mask 自上而下覆盖。2021.07.07 0.2.0新增 EISeg 贡献模块实现人像与通用图像的快速交互标注。从源码看当前仓库 EISeg/eiseg/init.py 中标记的版本为1.1.2说明在 1.1.0 大版本检测标注之上还有修订更新。七、引用与致谢若研究中使用本项目README 建议引用 EISeg 与 EdgeFlow 两篇论文article{hao2022eiseg, title{EISeg: An Efficient Interactive Segmentation Tool based on PaddlePaddle}, author{Hao, Yuying and Liu, Yi and Chen, Yizhou and Han, Lin and Peng, Juncai and Tang, Shiyu and Chen, Guowei and Wu, Zewu and Chen, Zeyu and Lai, Baohua}, journal{arXiv e-prints}, pages{arXiv--2210}, year{2022} } inproceedings{hao2021edgeflow, title{Edgeflow: Achieving practical interactive segmentation with edge-guided flow}, author{Hao, Yuying and Liu, Yi and Wu, Zewu and Han, Lin and Chen, Yizhou and Chen, Guowei and Chu, Lutao and Tang, Shiyu and Yu, Zhiliang and Chen, Zeyu and others}, booktitle{Proceedings of the IEEE/CVF International Conference on Computer Vision}, pages{1551--1560}, year{2021} }README 同时致谢了 RITM、MiVOS 等交互分割/视频传播算法项目以及 LabelMe、LabelImg 的标注交互设计借鉴——这也解释了 EISeg 界面中“点引导分割 多边形精修 拖拽标签栏”的交互范式来源。八、快速上手清单确认 Python 3.6、PaddlePaddle 2.2.0按 EISeg/docs/install_en.md 用pip install eiseg或源码方式启动python -m eiseg按场景从 2D 模型表下载对应的*.pdmodel*.pdiparams同目录放置界面中加载 pdiparams 路径打开图像/文件夹 → 建标签表 → 左键加点、右键减点、Space 出多边形、拖顶点精修视频/3D 场景额外下载传播模型、pip install vtk并用cut_video.py/medical2video.py准备数据遥感场景安装 GDAL医疗场景安装 SimpleITK用JSON Save/COCO Save保留多边形导出后用eiseg2paddlex.py等脚本转成 PaddleSeg/PaddleX 训练数据进入 PaddleSeg 训练流程。适用前提与限制模型参数需从外部 OSS 地址下载本文不重复罗列外部链接具体文件名以上文各表为准遥感仅支持*.tif/tiff加载视频标注建议单段不超过 100 帧EdgeFlow 模型必须关闭Use Mask。EISeg 的问题反馈可通过仓库 Issues 提交见 EISeg/README_EN.md “Community” 一节。赞分享人工智能计算机视觉预训练【免费下载链接】PaddleSegEasy-to-use image segmentation library with awesome pre-trained model zoo, supporting wide-range of practical tasks in Semantic Segmentation, Interactive Segmentation, Panoptic Segmentation, Image Matting, 3D Segmentation, etc.项目地址https://gitcode.com/gh_mirrors/pa/PaddleSeg点击查看免费下载相关推荐FiftyOne 应用内标注In-App Annotation完全指南从 Annotation Schema 到 2D/3D/视频标注实战FiftyOne 应用内标注In App Annotation完全指南从 Annotation Schema 到 2D/3D/视频标注实战 本文基于 do人工智能计算机视觉数据集数据可视化数据标注模型评测PaddleSeg数据标注工具EISeg与LabelMe效率对比PaddleSeg数据标注工具EISeg与LabelMe效率对比 引言数据标注的效率瓶颈与解决方案 在计算机视觉领域高质量的标注数据是训练高精度模型的基础人工智能计算机视觉预训练免费3D点云标注工具完整指南从安装到高效标注的实战教程免费3D点云标注工具完整指南从安装到高效标注的实战教程 在自动驾驶和智能机器人技术蓬勃发展的今天3D点云标注已成为计算机视觉领域不可或缺的核心环节。面对海量数据标注自动驾驶桌面应用计算机视觉上一篇DataEase 源码解读CoreApplication 启动流程与模块设计下一篇Qwen3.6-35B-A3B-MTP-GGUF五大模型版本对比2.25bpw到4.19bpw如何选择最适合你的GPU配置创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考