737 lines
22 KiB
Markdown
737 lines
22 KiB
Markdown
# 4-2 图像标注实战（Label Studio）
|
||
|
||
## 学习目标
|
||
|
||
1. 掌握 Label Studio 的安装、启动与界面使用
|
||
2. 学会配置三种图像标注类型（分类、目标检测、语义分割）
|
||
3. 独立完成边界框、多边形、关键点的标注
|
||
4. 理解 VOC / YOLO / COCO 三种导出格式的区别
|
||
|
||
---
|
||
|
||
## 1. Label Studio 简介
|
||
|
||
### 1.1 一句话定义
|
||
|
||
**Label Studio**：一个开源的、**多模态**数据标注平台，支持图像、文本、语音、视频等几乎所有数据类型的标注与团队协作。
|
||
|
||
### 1.2 为什么选它
|
||
|
||
我们这门课统一用 Label Studio 的原因：
|
||
|
||
| 需求 | Label Studio 对应能力 |
|
||
|------|---------------------|
|
||
| 多种数据类型 | 图像 / 文本 / 语音 / 视频 / 时序，一站式 |
|
||
| 不用写代码 | 通过 XML 标签可视化配置标注界面 |
|
||
| 团队协作 | 内置成员管理、角色权限、任务分配 |
|
||
| 格式灵活 | 内置 YOLO、COCO、VOC、JSON、CSV 导出 |
|
||
| 本地部署 | 数据不出学校，开源免费 |
|
||
|
||
```
|
||
传统方案（多工具切换）：
|
||
图像 → LabelImg
|
||
文本 → Doccano
|
||
语音 → Audacity / ELAN
|
||
协作 → Excel 邮件
|
||
|
||
Label Studio 一站式：
|
||
图像 / 文本 / 语音 / 协作 → Label Studio
|
||
```
|
||
|
||
### 1.3 与其他工具的对比
|
||
|
||
| 工具 | 类型 | 适用场景 | 本课程 |
|
||
|------|------|---------|--------|
|
||
| **Label Studio** | 开源/多模态 | 课程学习 / 中小团队 / 综合项目 | 主选 |
|
||
| LabelImg | 开源/图像 | 极简目标检测 | 仅做对比 |
|
||
| CVAT | 开源/图像视频 | 大型分割、视频跟踪 | 了解 |
|
||
| Doccano | 开源/文本 | 简单文本分类 | 已弃用 |
|
||
| Scale AI | 商业 | 企业级标注 | 了解 |
|
||
|
||
---
|
||
|
||
## 2. Label Studio 安装与启动
|
||
|
||
### 2.1 环境要求
|
||
|
||
- Python 3.8 及以上
|
||
- 浏览器（Chrome / Edge / Firefox）
|
||
- 建议 8G 以上内存
|
||
|
||
### 2.2 pip 安装（推荐）
|
||
|
||
```bash
|
||
# 在命令行中执行
|
||
pip install label-studio
|
||
|
||
# 启动 Label Studio
|
||
label-studio
|
||
```
|
||
|
||
启动后命令行会显示：
|
||
|
||
```
|
||
[INFO] Label Studio is running at http://localhost:8080
|
||
[INFO] Open it in your browser to start labeling
|
||
```
|
||
|
||
### 2.3 第一次打开
|
||
|
||
1. 浏览器访问 `http://localhost:8080`
|
||
2. 第一次进入需要 **Sign Up** 注册管理员账号（用你的邮箱 + 密码）
|
||
3. 注册后自动登录到主界面
|
||
|
||
```
|
||
┌────────────────────────────────────────────────────────┐
|
||
│ Label Studio │
|
||
│ Sign Up │
|
||
├────────────────────────────────────────────────────────┤
|
||
│ │
|
||
│ Email: [___________________________] │
|
||
│ Username: [___________________________] │
|
||
│ Password: [___________________________] │
|
||
│ │
|
||
│ [ Create Account ] │
|
||
│ │
|
||
└────────────────────────────────────────────────────────┘
|
||
```
|
||
|
||
### 2.4 安装常见问题
|
||
|
||
| 问题 | 解决 |
|
||
|------|------|
|
||
| 端口 8080 被占用 | `label-studio --port 8001` |
|
||
| 启动报错找不到模块 | `pip install --upgrade label-studio` |
|
||
| 中文乱码 | 系统区域设置改为 UTF-8 |
|
||
| 浏览器无法打开 | 检查防火墙、放行端口 |
|
||
|
||
---
|
||
|
||
## 3. 主界面导览
|
||
|
||
登录后看到的主界面：
|
||
|
||
```
|
||
┌──────────────────────────────────────────────────────────────┐
|
||
│ [Label Studio] Projects Members Settings [用户头像] │
|
||
├──────────────────────────────────────────────────────────────┤
|
||
│ │
|
||
│ My Projects │
|
||
│ │
|
||
│ ┌────────────────────────────────────────────────┐ │
|
||
│ │ + Create Project │ │
|
||
│ └────────────────────────────────────────────────┘ │
|
||
│ │
|
||
│ 没有任何项目，点上面按钮开始 │
|
||
│ │
|
||
└──────────────────────────────────────────────────────────────┘
|
||
```
|
||
|
||
**主要功能区**：
|
||
- **Projects**：项目列表，每个项目对应一个标注任务
|
||
- **Members**：成员管理（管理员可见）
|
||
- **Settings**：个人设置
|
||
|
||
---
|
||
|
||
## 4. 创建第一个项目：图像分类
|
||
|
||
### 4.1 任务说明
|
||
|
||
**任务**：对 10 张动物图片进行分类，类别有：cat / dog / bird
|
||
|
||
### 4.2 创建项目
|
||
|
||
1. 点击 `+ Create Project`
|
||
2. 填写：
|
||
- **Project Name**：`animal_classification`
|
||
- **Description**：动物图片三分类
|
||
3. 点击 `Save`
|
||
|
||
### 4.3 配置标注界面
|
||
|
||
进入项目后，先点 `Settings` → `Labeling Interface` → `Code`：
|
||
|
||
```xml
|
||
<View>
|
||
<Image name="image" value="$image"/>
|
||
<Choices name="label" toName="image" choice="single">
|
||
<Choice value="cat"/>
|
||
<Choice value="dog"/>
|
||
<Choice value="bird"/>
|
||
</Choices>
|
||
</View>
|
||
```
|
||
|
||
**逐行解释**：
|
||
|
||
```
|
||
<View> ← 整个标注界面的根标签
|
||
<Image ...> ← 显示图像（$image 是任务数据里的字段名）
|
||
<Choices ...> ← 单选/多选控件
|
||
<Choice/> ← 一个选项
|
||
</View>
|
||
```
|
||
|
||
**关键参数**：
|
||
- `toName="image"`：告诉 Label Studio，这个控件是对上面 `Image` 控件的结果
|
||
- `choice="single"`：单选（可选 `single-radio`、`multiple`）
|
||
|
||
保存后点 `Label All Tasks` 就能看到标注界面。
|
||
|
||
### 4.4 导入数据
|
||
|
||
在项目页 → `Settings` → `Data Import`：
|
||
|
||
**方式 A：上传本地文件**
|
||
|
||
```
|
||
1. 准备文件夹
|
||
images/
|
||
├── cat_001.jpg
|
||
├── cat_002.jpg
|
||
├── dog_001.jpg
|
||
└── bird_001.jpg
|
||
|
||
2. 拖拽到上传区域
|
||
或点击 Upload Files 选中文件夹
|
||
```
|
||
|
||
**方式 B：上传 CSV / JSONL（推荐，标签稳定）**
|
||
|
||
`tasks.csv`：
|
||
|
||
```csv
|
||
image
|
||
images/cat_001.jpg
|
||
images/cat_002.jpg
|
||
images/dog_001.jpg
|
||
images/bird_001.jpg
|
||
```
|
||
|
||
**方式 C：粘贴 URL**
|
||
|
||
```csv
|
||
image
|
||
https://example.com/cat_001.jpg
|
||
https://example.com/dog_001.jpg
|
||
```
|
||
|
||
上传完后点 `Save` → 任务列表里就会看到每一张图对应一行任务。
|
||
|
||
### 4.5 开始标注
|
||
|
||
1. 点击 `Label All Tasks`
|
||
2. 进入标注界面：
|
||
- 上面是图片
|
||
- 下面是三个单选按钮
|
||
3. 选中正确类别
|
||
4. 点击右下角 `Submit` 进入下一张
|
||
5. 全部完成后回到项目页，可以看到完成进度
|
||
|
||
```
|
||
┌──────────────────────────────────────────────────┐
|
||
│ Project: animal_classification │
|
||
├──────────────────────────────────────────────────┤
|
||
│ Tasks: 10 total / 7 done / 3 skipped │
|
||
│ Progress: ████████████░░░░░░ 70% │
|
||
└──────────────────────────────────────────────────┘
|
||
```
|
||
|
||
### 4.6 导出数据
|
||
|
||
项目页 → `Export`：
|
||
|
||
- 格式选 `JSON`
|
||
- 下载得到 `project-1-at-2024-05-20.json`
|
||
|
||
导出内容示例：
|
||
|
||
```json
|
||
[
|
||
{
|
||
"id": 1,
|
||
"data": {"image": "images/cat_001.jpg"},
|
||
"annotations": [{
|
||
"result": [{
|
||
"from_name": "label",
|
||
"to_name": "image",
|
||
"type": "choices",
|
||
"value": {"choices": ["cat"]}
|
||
}]
|
||
}]
|
||
}
|
||
]
|
||
```
|
||
|
||
---
|
||
|
||
## 5. 创建第二个项目：目标检测（边界框）
|
||
|
||
### 5.1 任务说明
|
||
|
||
**任务**：对 10 张街景图进行目标检测，标出每张图中的 `person`、`car`、`bicycle`
|
||
|
||
### 5.2 项目配置 XML
|
||
|
||
```xml
|
||
<View>
|
||
<Image name="image" value="$image"/>
|
||
<RectangleLabels name="label" toName="image" strokeWidth="3">
|
||
<Label value="person" background="#FF0000"/>
|
||
<Label value="car" background="#00FF00"/>
|
||
<Label value="bicycle" background="#0000FF"/>
|
||
</RectangleLabels>
|
||
</View>
|
||
```
|
||
|
||
**新增标签**：
|
||
- `<RectangleLabels>`：矩形框 + 标签（Label Studio 专门用于目标检测）
|
||
- `<Label value="..." background="...">`：每个标签的颜色
|
||
- `strokeWidth="3"`：边框线宽
|
||
|
||
### 5.3 标注操作
|
||
|
||
进入标注界面后：
|
||
|
||
```
|
||
┌──────────────────────────────────────────────────┐
|
||
│ [image] │
|
||
│ ┌────────┐ │
|
||
│ │ 人 │ ← 拖动鼠标画框 │
|
||
│ └────────┘ │
|
||
│ ┌─────────┐ │
|
||
│ │ 车 │ │
|
||
│ └─────────┘ │
|
||
├──────────────────────────────────────────────────┤
|
||
│ 标签栏: │
|
||
│ [ person ] [ car ] [ bicycle ] │
|
||
└──────────────────────────────────────────────────┘
|
||
```
|
||
|
||
**操作步骤**：
|
||
|
||
1. 选中上方标签（点击 person/car/bicycle 之一）
|
||
2. 在图片上 **按住鼠标左键拖动**，画矩形框
|
||
3. 松开后，框会自动带上刚才选中的标签
|
||
4. 继续选下一个标签，再画下一个框
|
||
5. 同一张图可以有多个框
|
||
6. 标完后点 `Submit`
|
||
|
||
### 5.4 快捷键速查
|
||
|
||
| 快捷键 | 功能 |
|
||
|--------|------|
|
||
| `Ctrl + Enter` | 提交当前任务 |
|
||
| `H` | 切换显示已画框 |
|
||
| `Ctrl + Z` | 撤销上一个框 |
|
||
| `Delete` | 删除选中的框 |
|
||
| 数字 `1-9` | 快速选择第 N 个标签 |
|
||
| `+ / -` | 缩放图像 |
|
||
| 滚轮 | 上下滚动 |
|
||
|
||
### 5.5 边界框标注规范
|
||
|
||
**基本规则**：
|
||
|
||
```
|
||
正确（紧贴目标） 错误（框太大） 错误（截断）
|
||
|
||
┌──────────┐ ┌────────────────┐ ┌──────────
|
||
│ ▓▓▓▓▓▓▓ │ │ ▓▓▓▓▓▓▓▓▓▓▓▓▓ │ │ ▓▓▓▓▓▓▓ │
|
||
│ ▓ 人 ▓▓ │ │ ▓ 人 ▓▓▓▓▓▓ │ │ ▓ 人 ▓▓ │
|
||
│ ▓▓▓▓▓▓▓ │ │ ▓▓▓▓▓▓▓▓▓▓▓▓▓ │ │ ▓▓▓▓▓▓▓ │
|
||
└──────────┘ └────────────────┘ └──────────┘
|
||
```
|
||
|
||
**多目标处理**：
|
||
|
||
- 一张图有几个就标几个，每个独立画框
|
||
- 互相重叠的目标也要分别标
|
||
- 远处很小的目标可以标 "difficult" 标记
|
||
|
||
**遮挡处理**：
|
||
|
||
```
|
||
情况1：目标被部分遮挡
|
||
→ 标可见部分（标框框住能看到的人）
|
||
|
||
情况2：目标被严重遮挡（< 20% 可见）
|
||
→ 建议不标（标记为非标注目标）
|
||
|
||
情况3：多人重叠
|
||
→ 每个独立标，画框按可见边界
|
||
```
|
||
|
||
### 5.6 YOLO 格式导出
|
||
|
||
项目页 → `Export` → 选 `YOLO`：
|
||
|
||
下载得到压缩包，解压后结构：
|
||
|
||
```
|
||
project-1-at-2024-05-20-yolo/
|
||
├── images/
|
||
│ ├── street_001.jpg
|
||
│ └── street_002.jpg
|
||
├── labels/
|
||
│ ├── street_001.txt
|
||
│ └── street_002.txt
|
||
├── classes.txt
|
||
└── notes.json
|
||
```
|
||
|
||
`classes.txt`（类别映射）：
|
||
|
||
```
|
||
0: person
|
||
1: car
|
||
2: bicycle
|
||
```
|
||
|
||
`street_001.txt`（一张图的标注）：
|
||
|
||
```
|
||
# 格式: <class_id> <x_center> <y_center> <width> <height>
|
||
# 所有值都是相对图片尺寸的归一化值 (0-1)
|
||
0 0.35 0.45 0.18 0.55
|
||
1 0.75 0.50 0.30 0.20
|
||
```
|
||
|
||
**逐字段解释**：
|
||
|
||
```
|
||
0 → 类别 ID（0=person）
|
||
0.35 → 框中心点 x / 图片宽度
|
||
0.45 → 框中心点 y / 图片高度
|
||
0.18 → 框宽度 / 图片宽度
|
||
0.55 → 框高度 / 图片高度
|
||
```
|
||
|
||
### 5.7 Pascal VOC 格式导出
|
||
|
||
项目页 → `Export` → 选 `PascalVOC`：
|
||
|
||
`street_001.xml`：
|
||
|
||
```xml
|
||
<?xml version="1.0" encoding="UTF-8"?>
|
||
<annotation>
|
||
<filename>street_001.jpg</filename>
|
||
<size>
|
||
<width>1920</width>
|
||
<height>1080</height>
|
||
<depth>3</depth>
|
||
</size>
|
||
<object>
|
||
<name>person</name>
|
||
<bndbox>
|
||
<xmin>134</xmin>
|
||
<ymin>216</ymin>
|
||
<xmax>478</xmax>
|
||
<ymax>810</ymax>
|
||
</bndbox>
|
||
</object>
|
||
<object>
|
||
<name>car</name>
|
||
<bndbox>
|
||
<xmin>1100</xmin>
|
||
<ymin>450</ymin>
|
||
<xmax>1680</xmax>
|
||
</bndbox>
|
||
</object>
|
||
</annotation>
|
||
```
|
||
|
||
注意 VOC 用的是**绝对像素坐标**（xmin、ymin、xmax、ymax），而 YOLO 是**归一化坐标**（0-1）。
|
||
|
||
### 5.8 COCO 格式导出
|
||
|
||
项目页 → `Export` → 选 `COCO`：
|
||
|
||
`result.json`：
|
||
|
||
```json
|
||
{
|
||
"images": [
|
||
{"id": 1, "file_name": "street_001.jpg", "width": 1920, "height": 1080},
|
||
{"id": 2, "file_name": "street_002.jpg", "width": 1920, "height": 1080}
|
||
],
|
||
"categories": [
|
||
{"id": 0, "name": "person"},
|
||
{"id": 1, "name": "car"},
|
||
{"id": 2, "name": "bicycle"}
|
||
],
|
||
"annotations": [
|
||
{
|
||
"id": 1, "image_id": 1, "category_id": 0,
|
||
"bbox": [134, 216, 344, 594],
|
||
"area": 204336,
|
||
"iscrowd": 0
|
||
}
|
||
]
|
||
}
|
||
```
|
||
|
||
注意 COCO 的 `bbox` 格式是 `[x_min, y_min, width, height]`（**前两个是左上角，后两个是宽高**），和 VOC 略有区别。
|
||
|
||
### 5.9 三种格式对比
|
||
|
||
| 特性 | VOC | YOLO | COCO |
|
||
|------|-----|------|------|
|
||
| 文件类型 | 每个图一个 XML | 每个图一个 TXT | 所有图一个 JSON |
|
||
| 坐标系 | 绝对像素 (xmin,ymin,xmax,ymax) | 归一化 0-1（中心点+宽高）| 绝对像素 (x,y,w,h) |
|
||
| 多目标 | 一个 object 一对 bndbox | 一行一个目标 | 一个 annotation 一个目标 |
|
||
| 适用框架 | Faster R-CNN, SSD | YOLO 系列 | Mask R-CNN, Detectron2 |
|
||
| 优缺点 | 直观但文件多 | 紧凑、YOLO 专用 | 强大、适合大项目 |
|
||
| 人类可读 | ⭐⭐⭐ | ⭐ | ⭐⭐ |
|
||
|
||
**怎么选**：
|
||
- 学 YOLO 模型 → 导 YOLO
|
||
- 用 MMDetection / Detectron2 → 导 COCO
|
||
- 通用、自己写训练脚本 → 导 VOC 或 JSON
|
||
|
||
---
|
||
|
||
## 6. 创建第三个项目：语义分割（多边形）
|
||
|
||
### 6.1 任务说明
|
||
|
||
**任务**：对 5 张街景图做**像素级**语义分割，类别：road、building、sky、vegetation
|
||
|
||
### 6.2 项目配置 XML
|
||
|
||
```xml
|
||
<View>
|
||
<Image name="image" value="$image"/>
|
||
<PolygonLabels name="label" toName="image" strokeWidth="2">
|
||
<Label value="road" background="#808080"/>
|
||
<Label value="building" background="#A52A2A"/>
|
||
<Label value="sky" background="#87CEEB"/>
|
||
<Label value="vegetation" background="#228B22"/>
|
||
</PolygonLabels>
|
||
</View>
|
||
```
|
||
|
||
`<PolygonLabels>`：多边形 + 标签，专门用于语义分割。
|
||
|
||
### 6.3 标注操作
|
||
|
||
1. 选中标签（点击 road / building / sky / vegetation）
|
||
2. 在图像上**连续点击多个点**画出多边形
|
||
3. **双击或按回车**结束当前多边形
|
||
4. 一个类别画完，再选下一个类别继续
|
||
5. 一张图可能有很多个多边形
|
||
|
||
```
|
||
标注过程示意：
|
||
|
||
点 1 ──→ 点 2
|
||
│
|
||
↓
|
||
点 4 ←── 点 3
|
||
(双击结束)
|
||
|
||
┌──────────────────┐
|
||
│ │
|
||
│ 1────────2 │
|
||
│ │ │ │
|
||
│ │ 区域 │ │
|
||
│ │ │ │
|
||
│ 4────────3 │
|
||
│ │
|
||
└──────────────────┘
|
||
```
|
||
|
||
### 6.4 分割标注注意事项
|
||
|
||
| 情况 | 处理 |
|
||
|------|------|
|
||
| 两个区域紧贴 | 各画一个多边形，不要合成一个 |
|
||
| 区域很小 | 至少 3 个点画出三角形 |
|
||
| 形状不规则 | 多点描边，越细越准 |
|
||
| 类别不确定 | 选最接近的，宁可错记也不要漏 |
|
||
|
||
### 6.5 导出多边形
|
||
|
||
项目页 → `Export` → 选 `JSON`：
|
||
|
||
```json
|
||
{
|
||
"id": 1,
|
||
"data": {"image": "street_001.jpg"},
|
||
"annotations": [{
|
||
"result": [{
|
||
"from_name": "label",
|
||
"to_name": "image",
|
||
"type": "polygonlabels",
|
||
"value": {
|
||
"points": [[0.1, 0.8], [0.9, 0.8], [0.9, 1.0], [0.1, 1.0]],
|
||
"polygonlabels": ["road"]
|
||
}
|
||
}]
|
||
}]
|
||
}
|
||
```
|
||
|
||
`points` 数组里每个点都是 `[x, y]` 的归一化坐标（0-1），是按顺时针或逆时针排列的多边形顶点。
|
||
|
||
> 💡 想转成 mask（像素级 PNG 图）？需要用 `label-studio-converter` 工具，详见 4-4 节。
|
||
|
||
---
|
||
|
||
## 7. 课堂演示：Python SDK
|
||
|
||
### 7.1 简介
|
||
|
||
Label Studio 提供 `label-studio-sdk`，可以用 Python 编程式管理项目、查询任务、写入预标注。
|
||
|
||
### 7.2 安装
|
||
|
||
```bash
|
||
pip install label-studio-sdk
|
||
```
|
||
|
||
### 7.3 常用代码
|
||
|
||
```python
|
||
from label_studio_sdk import Client
|
||
|
||
# 连接本地服务
|
||
ls = Client(url='http://localhost:8080', api_key='YOUR_API_KEY')
|
||
|
||
# 获取 API Key：
|
||
# Label Studio → Settings → Account → Access Token
|
||
|
||
# 列出所有项目
|
||
projects = ls.list_projects()
|
||
for p in projects:
|
||
print(p.id, p.title)
|
||
|
||
# 获取某个项目的任务
|
||
project = ls.get_project(id=1)
|
||
tasks = project.get_tasks()
|
||
print(f"项目里有 {len(tasks)} 个任务")
|
||
|
||
# 导入新任务
|
||
project.import_tasks([
|
||
{"image": "images/new_001.jpg"},
|
||
{"image": "images/new_002.jpg"}
|
||
])
|
||
|
||
# 导出标注
|
||
project.export_tasks(export_type='JSON')
|
||
```
|
||
|
||
> 这一节以了解为主，详细用法 4-4 节会展开。
|
||
|
||
---
|
||
|
||
## 8. 实战练习
|
||
|
||
### 8.1 任务一：图像分类（必做）
|
||
|
||
**任务**：在 Label Studio 创建项目 `fruit_classification`
|
||
|
||
**步骤**：
|
||
1. 准备 10 张水果图片（apple、banana、orange）
|
||
2. 启动 Label Studio，创建项目
|
||
3. 配置 `<Choices>` 三分类界面
|
||
4. 上传 10 张图
|
||
5. 完成 10 张标注
|
||
6. 导出 JSON 并截图
|
||
|
||
### 8.2 任务二：目标检测（必做）
|
||
|
||
**任务**：创建项目 `vehicle_detection`
|
||
|
||
**步骤**：
|
||
1. 准备 10 张街景图
|
||
2. 配置 `<RectangleLabels>` 目标检测界面
|
||
3. 类别：person / car / bicycle / traffic_light
|
||
4. 标完所有目标
|
||
5. 导出 YOLO 格式
|
||
6. 检查导出的 .txt 文件坐标是否正确
|
||
|
||
### 8.3 任务三（选做）：语义分割
|
||
|
||
**任务**：创建项目 `scene_segmentation`
|
||
|
||
**步骤**：
|
||
1. 准备 3-5 张风景图
|
||
2. 配置 `<PolygonLabels>` 分割界面
|
||
3. 类别：sky / vegetation / road / building
|
||
4. 画多边形
|
||
5. 导出 JSON
|
||
|
||
### 8.4 标注自检清单
|
||
|
||
```
|
||
图像分类：
|
||
□ 类别选择是否正确
|
||
□ 是否有漏标的任务
|
||
□ 导出 JSON 是否完整
|
||
|
||
目标检测：
|
||
□ 边界框是否紧贴目标
|
||
□ 是否每个目标都标了
|
||
□ 框内类别是否正确
|
||
□ 导出 YOLO 格式后坐标值是否在 0-1 之间
|
||
□ classes.txt 是否齐全
|
||
|
||
语义分割：
|
||
□ 多边形顶点是否足够（至少 3 个）
|
||
□ 类别判断是否准确
|
||
□ 不同区域之间是否有遗漏
|
||
```
|
||
|
||
---
|
||
|
||
## 9. 本节知识小结
|
||
|
||
```
|
||
┌────────────────────────────────────────────────────────────┐
|
||
│ 4-2 图像标注实战（Label Studio） │
|
||
├────────────────────────────────────────────────────────────┤
|
||
│ │
|
||
│ 📌 Label Studio 是多模态标注平台，一站式解决图像/文本/语音 │
|
||
│ │
|
||
│ 📌 安装： │
|
||
│ pip install label-studio │
|
||
│ label-studio │
|
||
│ 浏览器访问 http://localhost:8080 │
|
||
│ │
|
||
│ 📌 三种图像标注类型： │
|
||
│ 分类 → <Choices> │
|
||
│ 目标检测 → <RectangleLabels> │
|
||
│ 语义分割 → <PolygonLabels> │
|
||
│ │
|
||
│ 📌 三种导出格式： │
|
||
│ VOC → XML，像素绝对坐标 │
|
||
│ YOLO → TXT，归一化 0-1 坐标 │
|
||
│ COCO → JSON，[x,y,w,h] 像素坐标 │
|
||
│ │
|
||
│ 📌 标注规范：框要紧贴目标、不多不少 │
|
||
│ │
|
||
└────────────────────────────────────────────────────────────┘
|
||
```
|
||
|
||
---
|
||
|
||
## 课后任务
|
||
|
||
1. 安装 Label Studio，截图证明能正常打开
|
||
2. 完成"任务一"图像分类 10 张图
|
||
3. 完成"任务二"目标检测 10 张图，导出 YOLO 格式
|
||
4. （选做）完成"任务三"语义分割
|
||
|
||
---
|
||
|
||
## 下节预告
|
||
|
||
下一节我们将学习 **4-3 文本标注与语音标注（Label Studio）**：
|
||
- 文本分类、NER 命名实体识别
|
||
- 意图识别与槽位标注
|
||
- 语音转写 ASR
|
||
- 说话人分离与音频分类
|