一、前言

官方原话：EISeg(Efficient Interactive Segmentation)是基于飞桨开发的一个高效智能的交互式分割标注软件。涵盖了高精度和轻量级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。

官方GitHub：PaddleSeg/EISeg at release/2.6 · PaddlePaddle/PaddleSeg · GitHub

 由于我也常常使用百度飞浆的PaddleSeg框架，与ElSeg标注得到的文件也是适配的，且相比LabelMe的比较繁琐的标注，ElSeg的标注更加省时省力。ElSeg支持COCO格式和Json格式的保存方式，适配度高。

二、实战

1.安装

安装百度飞浆的SDK：

pip install paddlepaddle

安装EISeg：

pip install eiseg

命令行启动：

eiseg

 成功开启，这里还没导入相应的预训练模型，需要提前去官网选择下载相关的预训练模型：

官网：PaddleSeg/image.md at release/2.6 · PaddlePaddle/PaddleSeg · GitHub

 这里我使用的是HRNet18_OCR64通用场景标注的高精度模型，下载好后导入到EISeg中使用：

 加载完成后，左下角会有一行小字显示：

HRNet18_OCR64模型加载成功

2.数据集处理与标注

将原始数据集进行重命名和归一化处理：

新建 change_name.py  文件

import os
#任何格式的文件都适用
path = r"F:\Datasets\Lane_line_dataset\divide"
filelist = os.listdir(path)
count=0
for file in filelist:
    print(file)
for file in filelist:
    Olddir=os.path.join(path,file)
    if os.path.isdir(Olddir):
        continue
    filename=os.path.splitext(file)[0]
    filetype=os.path.splitext(file)[1]
    Newdir=os.path.join(path,str(count).zfill(6)+filetype)
    os.rename(Olddir,Newdir)
    count+=1

将原始图像的命名格式改为：000000、000001、000002等（以此类推）

 在EISeg中选择重命名后的数据集文件夹进行标注，将输出标注的格式修改为json格式（默认下是输出COCO格式）：

paddlex_gui_win10_v1.1.7.exe

exe 0星 超过10%的资源 648.64MB

下载

我选择的是一个无人车的车道线数据集，自定义分割标签的名称和对应颜色，设置好后导出备用：

 然后就可以开始标注了，鼠标左键是正向趋势的标注，鼠标右键是逆向趋势的标注，你可以自行尝试使用。重要的一点是，每次标注完一种颜色则需要点保存，再开始标注另一种颜色。

 全部标注完成后会在原始文件夹下产生一个新的文件夹：labels文件夹，内含：

 其中，黑色的、只以数字为图像名称的图像就是我们PaddleSeg训练所需要的 annotations，我用程序将其分离开来：

新建  get_annotations.py  ：

import os
import shutil
 
 
def read_name():
    source_file_path0 = 'data/label/'				#注意opencv库不能打开中文路径
    name0 = os.listdir(source_file_path0)					#读取源路径下所有文件的名称，将其放在一个列表内返回，每个元素代表一个文件名
    new_file_path0 = 'data/annotations/'
    return name0, new_file_path0, source_file_path0
 
 
if __name__ == "__main__":
    name, new_file_path, source_file_path = read_name()
    print(name)
    for i in name:
        if 'png' in i:
            png_name=i[:-4]
            print("png:", png_name, type(png_name))
            if png_name.isdigit():#是返回正
                middle_file_name = source_file_path + i			#指定文件的路径为路径名加文件名
                shutil.copy(middle_file_name, new_file_path)	#左边是源文件的路径加文件名称，后面是目标路径，可不加文件名称
 

PaddleSeg训练所需要数据集架构：

data
    |
    |--annotions          # 存放所有原图
    |  |--000000.jpg
    |  |--000001.jpg
    |  |--...
    |
    |--images           # 存放所有标注图
    |  |--000000.png
    |  |--000001.png
    |  |--...

我们再将annotions内图像进行伪彩色标注图处理

python tools/gray2pseudo_color.py <dir_or_file> <output_dir>

CheckMask.py

py 0星 超过10%的资源 6KB

下载

 最后进行数据集划分：

python tools/split_dataset_list.py  images annotations --split 0.6 0.2 0.2 --format jpg png

 得到最终训练所需的数据集架构：

data
    |
    |--annotions
    |  |--000000.jpg
    |  |--000001.jpg
    |  |--...
    |
    |--images
    |  |--000000.png
    |  |--000001.png
    |  |--...
    |
    |--train.txt
    |
    |--val.txt
    |
    |--test.txt

三个txt文件的内容如下，每行是一张原始图片和标注图片的相对路径（相对于txt文件），两个相对路径中间是空格分隔符。

images\000004.jpg annotations\000004.png
images\000000.jpg annotations\000000.png
...

 至此，PaddleSeg进行语义分割训练所需要的数据集架构基本完成。

使用PaddleSeg训练自己数据集的教程：

PPLiteSeg训练自己的数据集实现自动驾驶并爆改制作成API可供其他Python程序调用实时语义分割（超低延时）_Leonard2021的博客-CSDN博客

 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

本文到此结束，如果对你有帮助，欢迎一键三连！