前言
语义分割数据标注是为训练语义分割模型准备数据的过程。语义分割是计算机视觉领域的任务，其中需要为图像中的每个像素分配一个类别标签，以区分不同的对象或区域。标注数据时，通常需要为每个对象或区域分配一个唯一的标签，并创建与图像像素相对应的分割掩码。掩码是二进制图像，其中像素值指示每个像素属于哪个类别。例如，对于背景、人、车辆等类别，分别创建不同的掩码。
手动标注工具：
图像标注软件：您可以使用专门的图像标注工具，如LabelImg、Labelbox、VGG Image Annotator (VIA)、CVAT等，来手动绘制区域并分配标签。
绘图工具：也可以使用一般绘图工具，如Adobe Photoshop或GIMP，手动绘制区域并创建掩码。
半自动标注工具：
GrabCut算法：这是一种基于交互式图像分割的方法，可以帮助快速生成分割掩码。
超像素分割工具：使用工具如SLIC或QuickShift可以生成超像素，然后手动分配标签给不同的超像素区域。
深度学习自动标注：
分割模型辅助标注：可以使用预训练的语义分割模型，如Mask R-CNN、U-Net等，来辅助标注。这些模型可以自动提供初始分割结果，然后可以进行必要的微调。
图像语义分割数据标注是一项费时费力的工作，特别是对视频中的目标进行语义分割标注时，要对视频进行拆帧之后对每一帧的里面所需要的目标进行标注，是一项繁琐又费时费力的工作。但随着Segment Anything与Segment-and-Track Anything算法的出现，让分割标注任务不在那么麻烦，Segment-and-Track Anything可以对视频里面的目标进行追踪之后，再分割，然后我们可以借助Segment-and-Track Anything分割出来的mask自动生成标签文件。
一、Segment-and-Track Anything目标追踪与目标分割
1.算法简介
Meta AI的SAM）模型展现了强大的图像分割能力，但在处理视频数据方面存在一些挑战。Segment-and-Track Anything是由SAM模型扩展而来，使其能够支持视频数据的分割和跟踪。这一创新使SAM不仅能够分割图像中的对象，还能够跟踪它们随时间的变化。这一功能的应用潜力广泛，涵盖了各种时空场景，包括但不限于街景、增强现实、细胞图像分析、动画制作和航拍视频。
在SAM-Track项目中，SAM模型在单卡上实现了强大的目标分割和跟踪能力。它具备处理大规模数据的潜力，能够同时追踪超过200个物体，为用户提供了卓越的视频编辑能力。
2.算法应用部署
算法应用与部署可以看我之前的博客 ：Segment-and-Track Anything——通用智能视频分割、目标追踪、编辑算法解读与源码部署
3.运动目标追踪与分割
首先对视频第一帧进行目标分割,然后使用Segment-and-Track Anything进行整个视频的目标追踪与分割。
分割之后的结果如下：
二、生成标签
1.语义分割标签格式
要生成语义分割的标签，要了解语义分割的json文件的格式，这里使用labelme标注json文件进行举例，标注的标签文件如下：
{
"version": "0.2.4",
"flags": {},
"shapes": [
{
"label": "mat",
"text": "",
"points": [
[
234.0,
248.0
],
[
229.0,
246.0
],
[
207.0,
247.0
]
],
"group_id": null,
"shape_type": "polygon",
"flags": {}
},
{
"label": "mat",
"text": "",
"points": [
[
237.0,
245.0
],
[
236.0,
249.0
],
[
237.0,
250.0
],
[
237.0,
260.0
],
[
239.0,
268.0
]
],
"group_id": null,
"shape_type": "polygon",
"flags": {}
}
],
"imagePath": "b (14).jpg",
"imageData": null,
"imageHeight": 518,
"imageWidth": 500
}
2.轮廓提取与多边形拟合
要对轮廓进行提取，提取轮廓之后，要进行多边形拟合
def approx_PolyDP(cv_src):
cv_gray = cv2.cvtColor(cv_src, cv2.COLOR_BGR2GRAY)
cv_ret, cv_binary = cv2.threshold(cv_gray, 0, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(cv_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
approxs = []
for contour in contours:
# 对轮廓进行多边形拟合
# epsilon = 0.04 * cv2.arcLength(contour, True)
approx = cv2.approxPolyDP(contour, 1, True)
approxs.append(approx)
return approxs
3.生成标签文件
多边形拟合之后，创建json文件
def create_node(label_name,points):
shape = {
"label": label_name,
"text": "",
"points":
points
,
"group_id": None,
"shape_type": "polygon",
"flags": {}
}
return shape
def create_json(img_name,img_w,img_h):
name, _ = os.path.splitext(img_name)
data = {
"version": "0.2.4",
"flags": {},
"shapes": [
],
"imagePath": img_name,
"imageData": None,
"imageHeight":img_h,
"imageWidth": img_w
}
json_name = name + ".json"
with open(json_name, "w") as json_file:
json.dump(data, json_file, indent=4)
def add_shape(json_name,node):
with open(json_name, "r") as json_file:
data = json.load(json_file)
data["shapes"].append(node)
# 保存更新后的JSON数据
with open(json_name, "w") as json_file:
json.dump(data, json_file, indent=4)
def contour_to_json(img_name):
cv_src = cv2.imread(img_name)
approxs= approx_PolyDP(cv_src)
height, width = cv_src.shape[:2]
points_all = []
if len(approxs) >= 1:
for approx in approxs:
points = []
for i in range(len(approx)):
points.append([int(approx[i][0][0]), int(approx[i][0][1])])
# j = i + 1
# if j == len(approx):
# j = 0
# cv2.line(cv_src, (approx[i][0][0], approx[i][0][1]),
# (approx[j][0][0], approx[j][0][1]), (255, 0, 0), 1)
# points_all.append(points)
#
# cv2.namedWindow("src",0)
# cv2.imshow("src",cv_src);
# cv2.waitKey()
create_json(img_name,width,height)
nodes = []
for p in points_all:
node = create_node("foot",p)
nodes.append(node)
name, _ = os.path.splitext(img_name)
json_name = name + ".json"
# add_shape(json_name,nodes[0])
for n in nodes:
add_shape(json_name,n)
4.验证标签文件
使用标注工具，如labelme打开，效果如下，代表测试可以：
![红队专题-从零开始VC++远程控制软件RAT-C/S-[4]客户端与服务端连接](https://img-blog.csdnimg.cn/82e4886074834afca9ac36d93c2a0aa4.png)
