SAM等模型通过先进的深度学习技术，实现了高效、精准的图像自动化标注。这不仅显著降低了人工标注的工作量和成本，提高了标注效率和精度，还为各个领域的研究和应用提供了强大的技术支持。随着SAM等模型的不断完善和应用，自动化标注将在更多领域展现出巨大的潜力和价值。
一、环境安装
https://github.com/yatengLG/ISAT_with_segment_anything
1.创建虚拟环境
conda create -n biaozhu python=3.10
conda activate biaozhu
2.环境安装
获取ISAT_with_segment_anything源码并安装依赖windows系统下，通过pip安装的pytorch默认是cpu版本，gpu版本的pytorch需去 pytorch 官网手动安装。
git clone https://github.com/yatengLG/ISAT_with_segment_anything.git
cd ISAT_with_segment_anything
pip install -r requirements.txt二、工具运行
activate biaozhu
python main.py
1.模型下载（通过模型管理进行下载模型）：
2.模型下载后进行选定模型 （前面有个对勾就选定了）
3.打开图片文件夹
然后就会出现这个符号：
4.然后点击这个符号，就可标注了
5.按E，标注完成，点击查看
查看标注信息（保存在图片目录）：
{
"info": {
"description": "ISAT",
"folder": "E:/ultralytics-main",
"name": "bus.jpg",
"width": 810,
"height": 1080,
"depth": 3,
"note": ""
},
"objects": [
{
"category": "person",
"group": 1,
"segmentation": [
[
129.0,
398.0
],
[
123.0,
399.0
],
[
105.0,
410.0
],
[
103.0,
415.0
],
[
103.0,
449.0
],
[
99.0,
452.0
],
[
97.0,
465.0
],
[
65.0,
493.0
],
[
62.0,
503.0
],
[
64.0,
535.0
],
[
60.0,
553.0
],
[
60.0,
566.0
],
[
65.0,
581.0
],
[
62.0,
596.0
],
[
59.0,
676.0
],
[
62.0,
689.0
],
[
73.0,
699.0
],
[
75.0,
740.0
],
[
72.0,
754.0
],
[
78.0,
772.0
],
[
78.0,
793.0
],
[
69.0,
808.0
],
[
62.0,
814.0
],
[
59.0,
853.0
],
[
54.0,
867.0
],
[
52.0,
884.0
],
[
55.0,
888.0
],
[
73.0,
897.0
],
[
86.0,
900.0
],
[
101.0,
898.0
],
[
106.0,
893.0
],
[
105.0,
886.0
],
[
96.0,
876.0
],
[
85.0,
857.0
],
[
84.0,
841.0
],
[
96.0,
780.0
],
[
107.0,
762.0
],
[
118.0,
705.0
],
[
124.0,
702.0
],
[
135.0,
719.0
],
[
151.0,
760.0
],
[
161.0,
808.0
],
[
178.0,
863.0
],
[
175.0,
870.0
],
[
177.0,
896.0
],
[
185.0,
898.0
],
[
222.0,
892.0
],
[
243.0,
882.0
],
[
240.0,
874.0
],
[
225.0,
869.0
],
[
201.0,
849.0
],
[
187.0,
779.0
],
[
185.0,
745.0
],
[
177.0,
696.0
],
[
178.0,
691.0
],
[
189.0,
689.0
],
[
192.0,
685.0
],
[
190.0,
649.0
],
[
184.0,
616.0
],
[
178.0,
600.0
],
[
198.0,
585.0
],
[
200.0,
575.0
],
[
199.0,
555.0
],
[
186.0,
534.0
],
[
181.0,
520.0
],
[
181.0,
507.0
],
[
174.0,
499.0
],
[
172.0,
490.0
],
[
151.0,
466.0
],
[
156.0,
436.0
],
[
157.0,
410.0
],
[
149.0,
403.0
]
],
"area": 45642.0,
"layer": 1.0,
"bbox": [
51.50342469783856,
397.42460354443125,
243.46816458878453,
900.4956139503413
],
"iscrowd": false,
"note": ""
}
]
}三、使用的技术与意义
1.自动化标注使用的技术：
-
预训练模型： SAM模型经过大量数据的预训练，能够识别并分割各种类型的对象。这种预训练使得模型具有了很强的泛化能力，可以在没有针对性标注数据的情况下，处理新的图像和对象。
-
多尺度特征提取： SAM利用深度卷积神经网络（如ResNet、EfficientNet）提取图像的多尺度特征，这些特征能够捕捉到图像中不同大小、形状和复杂度的对象。
-
Transformer架构： 采用Transformer架构，特别是自注意力机制，使得模型能够高效地整合图像中不同区域的信息，生成更精确的分割结果。自注意力机制可以捕捉到图像中长距离的依赖关系，从而提高分割的精度和鲁棒性。
-
区域提议网络（RPN）： RPN用于在图像中生成候选区域，这些区域可能包含目标对象。然后，SAM对这些候选区域进行进一步的精细分割。这一过程提高了分割的效率，因为模型只需要处理可能包含对象的区域，而不是整张图像。
-
图像分割掩码生成： 基于模型提取的特征和区域提议，SAM生成对应的分割掩码。这些掩码准确地描绘出每个对象的边界，确保高精度的分割结果。
-
主动学习和数据增强： 在模型训练过程中，采用主动学习和数据增强技术，通过选择性地挑选和生成更具挑战性的训练样本，来不断提升模型的表现。这种方法确保了模型在面对各种复杂场景时，依然能够保持高精度的分割能力。
2.自动化标注的意义：
-
显著降低人工成本： 传统的图像标注需要大量的人工操作，标注过程繁琐且耗时。SAM模型的自动化标注可以大大减少人工标注的工作量，降低标注成本。例如，在大型图像数据库的建立过程中，SAM可以快速、高效地完成对象分割任务，节省大量人力资源。
-
提高标注效率和精度： SAM模型能够在短时间内处理大量图像，并生成高精度的分割结果。这不仅提高了标注效率，还减少了人工标注过程中可能出现的误差和不一致性，确保数据标注的一致性和准确性。
-
支持大规模数据标注： 在需要大规模图像标注的应用场景中，如自动驾驶数据集的构建、医学影像数据的分析，SAM模型的自动化标注能力显得尤为重要。它能够快速处理成千上万张图像，为进一步的研究和开发提供高质量的标注数据。
-
促进科研和开发： 高质量的标注数据是计算机视觉研究和开发的基础。SAM模型的自动化标注能力可以帮助研究人员快速获得大量标注数据，从而加速模型训练和验证过程，推动计算机视觉技术的发展。
-
多领域应用： SAM模型的通用性使其在各个领域都有广泛的应用前景。例如，在医学影像中，SAM可以帮助医生快速识别和分割病变区域，提高诊断效率；在遥感图像分析中，SAM可以自动分割土地覆盖类型，辅助地理信息系统的建设；在工业检测中，SAM可以用于产品缺陷检测，提高生产质量。
