语义分割工具EISeg
下载链接:https://github.com/PaddlePaddle/PaddleSeg/tree/develop/EISeg
介绍
EISeg(Efficient Interactive Segmentation)是以RITM及EdgeFlow算法为基础，基于飞桨开发的一个高效智能的交互式分割标注软件。涵盖了通用、人像、遥感、医疗等不同方向的高质量交互式分割模型，方便开发者快速实现语义及实例标签的标注，降低标注成本。 另外，将EISeg获取到的标注应用到PaddleSeg提供的其他分割模型进行训练，便可得到定制化场景的高精度模型，打通分割任务从数据标注到模型训练及预测的全流程。
模型准备
在使用EIseg前，请先下载模型参数。EISeg 0.4.0版本开放了在COCO+LVIS、大规模人像数据、mapping_challenge及LiTS(Liver Tumor Segmentation Challenge)上训练的四个垂类方向模型，满足通用场景、人像场景、建筑物标注及医疗影像肝脏的标注需求。其中模型结构对应EISeg交互工具中的网络选择模块，用户需要根据自己的场景需求选择不同的网络结构和加载参数。
（1）基于HRNet18_OCR64结构的高精度模型，适用于通用场景的图像标注，static_hrnet18_ocr64_cocolvis
（2）基于HRNet18s_OCR48结构的轻量化模型，适用于通用场景的图像标注，static_hrnet18s_ocr48_cocolvis
（3）基于HRNet18_OCR64结构的高精度模型，适用于人像标注场景，static_hrnet18_ocr64_human
（4）基于HRNet18s_OCR48 结构的轻量级模型，适用于人像标注场景，static_hrnet18s_ocr48_human
（5）基于EdgeFlow结构的高精度模型，适用于通用图像标注场景， static_edgeflow_cocolvis
（6）基于HRNet18s_OCR48结构的轻量级模型，适用于遥感建筑物标注场景，static_hrnet18_ocr48_rsbuilding_instance
（7）基于HRNet18s_OCR48结构的轻量级模型，适用于医疗肝脏标注场景，static_hrnet18s_ocr48_lits
NOTE： 将下载的模型结构*.pdmodel及相应的模型参数*.pdiparams需要放到同一个目录下，加载模型时只需选择*.pdiparams结尾的模型参数位置即可， *.pdmodel会自动加载。
安装使用
EISeg提供多种安装方式，其中使用pip和运行代码方式可兼容Windows，Mac OS和Linux。为了避免环境冲突，推荐在conda创建的虚拟环境中安装。
安装PaddlePaddle
版本要求:PaddlePaddle >= 2.2.0
PaddlePaddle安装请参考官网。在安装EISeg前，请先安装Paddle。注意：下面提供的所有安装EISeg的方法都需要先安装Paddle才能使用。
EISeg的两种安装方式
克隆到本地的安装方法
通过git将PaddleSeg克隆到本地：
git clone -b develop https://github.com/PaddlePaddle/PaddleSeg.git
安装所需环境（若需要使用到GDAL和SimpleITK请参考垂类分割进行安装）：
pip install -r requirements.txt
安装好所需环境后，进入EISeg，可通过直接运行eiseg打开EISeg：
cd PaddleSeg\EISeg
python -m eiseg
或进入eiseg，运行exe.py打开EISeg：
cd PaddleSeg\EISeg\eiseg
python exe.py
pip安装方式
pip安装方式如下：
pip install eiseg
pip会自动安装依赖。安装完成后命令行输入：
eiseg
即可运行软件。
使用
打开软件后，在对项目进行标注前，需要进行如下设置：
1.模型参数加载
根据标注场景，选择合适的网络模型及参数进行加载。目前在EISeg0.4.0中，已经将动态图预测转为静态图预测，全面提升单次点击的预测速度。选择合适的模型及参数下载解压后，模型结构*.pdmodel及相应的模型参数*.pdiparams需要放到同一个目录下，加载模型时只需选择*.pdiparams结尾的模型参数位置即可。静态图模型初始化时间稍长，请耐心等待模型加载完成后进行下一步操作。正确加载的模型参数会记录在近期模型参数中，可以方便切换，并且下次打开软件时自动加载退出时的模型参数。
2.图像加载
按下Ctrl+A，打开要标注图片的文件夹，加载图片。
3.标签添加/加载
添加/加载标签。可以通过添加标签新建标签，标签分为4列，分别对应像素值、说明、颜色和删除。新建好的标签可以通过保存标签列表保存为txt文件，其他合作者可以通过加载标签列表将标签导入。通过加载方式导入的标签，重启软件后会自动加载。
4.自动保存设置
在使用中可以将自动保存设置上，设定好文件夹即可，这样在使用时切换图像会自动将完成标注的图像进行保存。
下表是EISeg的快捷键表格：
特色功能使用说明
1.多边形
- 交互完成后使用Space（空格）完成交互标注，此时出现多边形边界；
- 需要在多边形内部继续进行交互，则使用空格切换为交互模式，此时多边形无法选中和更改。
- 多边形可以删除，使用鼠标左边可以对锚点进行拖动，鼠标左键双击锚点可以删除锚点，双击两点之间的边则可在此边添加一个锚点。
- 打开保留最大连通块后，所有的点击只会在图像中保留面积最大的区域，其余小区域将不会显示和保存。
2.保存格式
- 打开保存JSON保存或COCO保存后，多边形会被记录，加载时会自动加载。
- 若不设置保存路径，默认保存至当前图像文件夹下的label文件夹中。
- 如果有图像之间名称相同但后缀名不同，可以打开标签和图像使用相同扩展名。
- 还可设置灰度保存、伪彩色保存和抠图保存，见工具栏中7-9号工具。
3.生成mask
- 标签按住第二列可以进行拖动，最后生成mask时会根据标签列表从上往下进行覆盖。
4.界面模块
- 可在显示中选择需要显示的界面模块，正常退出时将会记录界面模块的状态和位置，下次打开自动加载。
5.垂类分割
- EISeg目前已添加对遥感图像和医学影像分割的支持，使用相关功能需要安装额外依赖。
- 分割遥感图像请安装GDAL，相关安装及介绍具体详见遥感标注垂类建设。
- 分割医学影像请安装SimpleITK，相关安装及介绍具体详见医疗标注垂类建设。
6.脚本工具使用
EISeg目前提供包括标注转PaddleX数据集、划分COCO格式以及语义标签转实例标签等脚本工具，相关使用方式详见脚本工具使用。
灰度图中修改像素点的数值
在个人使用的过程中，发现标注完得到的灰度图，标签的ID号是从0到class_num-1，当需要将ID号改为指定的数值时，可以参考下面代码：
# -*- coding:utf8 -*-
import os
from PIL import Image
im = Image.open('/media/***/label/100.png') # 打开图片
print(im.mode)
pix = im.load() # 导入像素
width = im.size[0] # 获取宽度
height = im.size[1] # 获取长度
for x in range(width):
for y in range(height):
a = im.getpixel((x, y))
rgba = (a)
if (a == 0):
im.putpixel((x, y), (0))
if (a == 1):
im.putpixel((x, y), (255))
im = im.convert('L')
print(im.mode)
im.save('/media/***/label/100_1.png')
批量修改灰度图中的像素值
# -*- coding:utf8 -*-
import os
from PIL import Image
path = 'SegmentationClass(RGBA)/'
savedpath = 'SegmentationClass/'
filelist = os.listdir(path)
for item in filelist:
im = Image.open( path + item )#打开图片
width = im.size[0]#获取宽度
height = im.size[1]#获取长度
for x in range(width):
for y in range(height):
a = im.getpixel((x, y))
rgba = (a)
if (a == 0):
im.putpixel((x, y), (0))
if (a == 1):
im.putpixel((x, y), (255))
im = im.convert('L')
im.save(savedpath + item)
print('item of %s is saved '%(item))
参考链接:
Python之修改图片像素值的方法