paddlelabel 0.0.6

Web Based Multi Purpose Annotation

一个高效且灵活的数据标注工具
An effective and flexible tool for data annotation
浏览文档 »

简体中文 · English

查看演示 · 报告错误 · 请求功能

目录

1. 关于项目
2. 使用教程
   • 安装依赖
   • 使用
   • 高级功能
3. 发行说明
4. 许可证书
5. 开源贡献
   • 贡献者
   • 鸣谢
   • 如何参与开源项目
6. 学术引用

关于项目

PP-Label旨在构建一个高效且灵活的图像数据标注工具。整个PP-Label包括三部分，本项目包含PP-Label的后端实现。 PP-Label-Frontend是基于React和Ant Design构建的PP-Label前端，PP-Label-ML包含基于PaddlePaddle的自动和交互式标注的机器学习后端。

(返回顶部)

使用教程

这是一个如何在本地设置项目的示例。要启动并运行本地副本，请遵循以下简单的示例步骤。

安装依赖

为了避免依赖问题，建议创建新的虚拟环境进行安装：

conda create -n pplabel python=3.9
conda activate pplabel

通过PIP安装

pip install pplabel
pplabel # 运行 pplabel

通过源码安装

首先需要将后端代码克隆到本地：

git clone https://github.com/PaddleCV-SIG/PP-Label

接下来需要克隆并构建前端：

cd ..
git clone https://github.com/PaddleCV-SIG/PP-Label-Frontend
cd PP-Label-Frontend
npm install -g yarn
yarn
npm run build

最后，将构建好的前端部分复制到pplabel/static/中：

cd ../PP-Label
pip install -r requirements.txt
mkdir pplabel/static/
cp -r ../PP-Label-Frontend/dist/* pplabel/static/

python setup.py install
pplabel # 运行 pplabel

使用

完成上述的安装操作后，可以直接使用pplabel指令运行PP-Label的前后端。目前PP-Label默认运行在http://127.0.0.1:17995上。同时也可以使用pplabel --lan将服务暴露到局域网。这样可以在计算机上运行该服务，并用平板电脑进行注释。在docker中运行pplabel时也需要添加该选项。

pplabel --lan

创建项目

PP-Label支持图像分类、语义/实例分割以及目标/关键点检测的标注任务，浏览器打开PP-Label后，可以通过创建项目下的五个卡片进行不同类型的项目创建。点击卡片进入到对应的功能创建导航菜单，数据地址为本地数据文件夹的路径。完成后点击创建即可进入到标注界面。

数据标注

PP-Label的界面分为图像显示区域，显示区域左右两侧的工具栏（不同任务有不同的工具栏，不同任务的使用详情请参考数据集文件结构说明）；界面右侧为标签列表，用于添加不同的标签和标注；下方为标注进度展示，上方为可以切换的标签页。使用时：

1. 在右侧创建标签或标注
2. 在工具栏中移动和缩放图像，找到对应的需要标注的目标（图像分类除外）
3. 根据创建项目时选择的标注类型选择对应的工具进行标注
4. 标注完成后点击保存

数据导出

数据集标注完成后通过项目概述对数据集进行训练集、验证集和测试集的划分，并导出数据保存在指定路径。

高级功能

PP-Label带有基于PaddlePaddle的机器学习标注功能，可以通过加载模型实现交互式数据标注（目前仅支持语义分割），使用方法如下：

1. 安装PP-Label-ML：

   1. 通过pip安装：

      pip install pplabel-ml
      

   2. 通过源码安装：

      git clone https://github.com/PaddleCV-SIG/PP-Label-ML
      cd PP-Label-ML
      python setup.py install
      

2. 开启ML后端：

   pplabel-ml # 运行 pplabel-ml
   

3. 进入到标注页面，打开右侧工具栏的智能标注功能，在Backend URL中填入ML后端提供的URL。若通过pip方式安装的PP-Label-ML，则自带一个通用的交互式分割模型参数。如果需要针对不同任务选择不同的交互式模型参数，可以通过下方“模型下载”处下载模型参数到本地，并在Model Path和Weight Path中填入对应的*.pdmodel和*.pdiparams的文件绝对路径，完成后点击Save即可。

4. 点击图像，鼠标左键为添加正样本点，鼠标右键为添加负样本点。

模型下载

模型类型	适用场景	模型结构	模型下载地址
高精度模型	通用场景的图像标注	HRNet18_OCR64	static_hrnet18_ocr64_cocolvis
轻量化模型	通用场景的图像标注	HRNet18s_OCR48	static_hrnet18s_ocr48_cocolvis
高精度模型	通用图像标注场景	EdgeFlow	static_edgeflow_cocolvis
高精度模型	人像标注场景	HRNet18_OCR64	static_hrnet18_ocr64_human
轻量化模型	人像标注场景	HRNet18s_OCR48	static_hrnet18s_ocr48_human
轻量化模型	遥感建筑物标注场景	HRNet18s_OCR48	static_hrnet18_ocr48_rsbuilding_instance
高精度模型*	x光胸腔标注场景	Resnet50_Deeplabv3+	static_resnet50_deeplab_chest_xray
轻量化模型	医疗肝脏标注场景	HRNet18s_OCR48	static_hrnet18s_ocr48_lits
轻量化模型*	MRI椎骨图像标注场景	HRNet18s_OCR48	static_hrnet18s_ocr48_MRSpineSeg
轻量化模型*	质检铝板瑕疵标注场景	HRNet18s_OCR48	static_hrnet18s_ocr48_aluminium

(返回顶部)

发行说明

• [2022.7.XX] [alpha] 测试版本发布。

(返回顶部)

开源协议

本项目的发布受Apache 2.0 license许可认证，详细信息请查阅LICENSE。

(返回顶部)

开源贡献

贡献者

感谢下列开发者参与或协助PP-Label的开发、维护、测试等：linhandev、cheneyveron、Youssef-Harby、geoyee、yzl19940819、haoyuying

鸣谢

感谢下列开源项目，使用它们使得PP-Label更加完善和强大：

• Best-README-Template

如何参与开源项目

如果你有任何好的想法或发现了任何问题，欢迎参与到我们的开发和维护中。有关后端实现的详细信息，请参阅开发者指南。

(返回顶部)

学术引用

@misc{pplabel2022,
    title={PP-Label, An effective and flexible tool for data annotation},
    author={PaddlePaddle Authors},
    howpublished = {\url{https://github.com/PaddleCV-SIG/PP-Label}},
    year={2022}
}

(返回顶部)