Сравнение различных инструментов маркировки для компьютерного зрения

Маркировка данных — важный шаг в любой задаче контролируемого машинного обучения. Маркировка — это процесс определения областей изображения и создания текстовых описаний для этих областей. Этот процесс помогает нам сделать данные более удобочитаемыми для компьютерного зрения. Опять же, маркировка изображений играет важную роль в обеспечении качества данных. Это также помогает создавать наборы данных для различных экспериментов.

Некоторыми из наиболее распространенных категорий маркировки изображений в компьютерном зрении являются ограничивающие рамки, трехмерные кубоиды и линейные аннотации. Также можно упомянуть полигональную сегментацию, семантическую сегментацию и аннотацию ориентиров. На следующем рисунке мы видим, как выглядит изображение после маркировки.

Кроме того, доступно большое количество инструментов для маркировки изображений для компьютерного зрения. Эти платформы аннотаций представляют собой разнообразные функции и инструменты. Вот обзор некоторых из лучших инструментов маркировки для компьютерного зрения — Supervise.ly, Hasty.ai, Ultimate Labeling, VOTT, Darwin, Heartex и Make-Sense.

Некоторые лучшие инструменты маркировки изображений в компьютерном зрении

Supervise.ly:

Возможности 1.1:

Несколько типов инструментов, таких как прямоугольники, линии, точки, полигоны, растровые кисти для семантической сегментации готовы к использованию. Кроме того, набор функций включает в себя невероятные отверстия для рисования внутри полигонов.
Пользователи могут преобразовывать входные изображения/видео/3D-облако точек в высококачественные обучающие данные.
При разработке плагинов Supervise.ly внимание пользователя остается только на ядре пользовательской логики.
Пользователи могут читать, изменять и записывать проекты Supervise.ly на диск.
Различные функции маркировки данных, геометрических объектов и тегов готовы к применению.
Пользователи могут добавлять изображения, теги объектов и упорядочивать фигуры в слоях.
Вывод может осуществляться через файлы JSON для каждого изображения или маски PNG. Опять же, платформа также позволяет пользователям загружать такие форматы, как COCO и Cityscapes.

1.2 Управление проектом:

Это программное обеспечение предоставляет большое количество опций для управления проектами. Это хорошо работает на разных уровнях, таких как рабочие области, команды и наборы данных. Эти преимущества предлагают уровни управления аннотаторами, такие как маркировка заданий, разрешения и статистика. Здесь важной возможностью является организация пользователей в команды. Это упрощает совместную работу над многими проектами. Эта платформа также предоставляет язык преобразования данных (DTL) и блокнот Python для обработки данных. Наличие интуитивно понятных функций и разрешений помогает всем управлять. Он позволяет владельцам и администраторам управлять доступом пользователей к ресурсам, данным и разработанным моделям.

1.3 Автоматизация:

Программное обеспечение использует Python SDK для импорта подключаемых модулей для пользовательских форматов данных. Он выполняет модели нейронных сетей и запускает различные инструменты. Благодаря этому инструменту возможны маркировка с помощью ИИ, маркировка видео, маркировка трехмерного облака точек и объемные срезы. Инструмент может управлять и отслеживать рабочий процесс аннотации в масштабе с командами, рабочими пространствами, ролями и заданиями по маркировке. Здесь пользователи могут подключаться к данным и моделям, используя общие ссылки, например, на Google Диске.

На приведенном выше рисунке мы видим, как выглядит изображение после маркировки с помощью supervisor.ly. Интерфейс позволяет пользователям выполнять очень специфические задачи и поддерживает настраиваемые сочетания клавиш. Следует отметить, что производительность в последнее время стала немного медленнее. Становится очень неприятно, если платформе требуется много времени для переключения между изображениями и записи аннотаций.

2. Hasty.ai:

Функции 2.1:

Поддерживает векторную маркировку, включая прямоугольники, полигоны, а также попиксельную маркировку с помощью кисти.
Пользователи могут загружать данные и заранее созданные метки. Экспорт данных осуществляется через файл JSON или маску PNG.
Этот инструмент делает обнаружение объектов и сегментацию экземпляров до десяти раз быстрее, чем раньше. Это помогает пользователям переходить от недель маркировки к дням или даже часам. Таким образом, Hasty предоставляет пользователям больше времени, чтобы сосредоточиться на создании важных приложений.
Платформа поддерживает данные 2D-изображения в различных форматах, таких как jpeg, png, bmp, tiff и GIF.

2.2 Управление проектом:

Эта платформа обеспечивает отличное управление рабочим процессом для пользователей. Здесь пользователи могут сортировать изображения по статусу, например — новое, в процессе, для просмотра и готово. Программное обеспечение назначает разрешения гранулированным образом. Здесь есть панель ручного обзора. Пользователи имеют доступ к визуализации каждого помеченного экземпляра и могут сортировать их по маркировщику, статусу или классу. Этот инструмент упрощает процесс проверки, чего нет ни в одном другом инструменте для маркировки.

2.3 Автоматизация:

На этой платформе доступно несколько интеллектуальных инструментов, таких как GrabCut, Contour или Dextr. Эти инструменты могут идентифицировать края или контуры объектов. Это можно исправить вручную с помощью порога, учитывая лучший сегмент изображения. По завершении достаточного количества размеченных данных инструмент начинает поддерживать прогнозы надписей. Существует функция обучения собственного детектора объектов пользователя, сегментации экземпляров и семантической сегментации. Платформа очень строго относится к информационной безопасности. Он никогда не будет делиться информацией о команде или данными изображения с кем-либо. Ручной просмотр позволяет пользователям быстро просматривать и просматривать все аннотации.

На приведенном выше рисунке мы видим поспешный скриншот. Инструмент хорошо работает с крупномасштабными предсказуемыми наборами данных, где через некоторое время активируются интеллектуальные инструменты. Использование этого резко сокращает количество времени, затрачиваемого на объект. Время, необходимое для обработки, составляет до 10 или 20 секунд, которые можно было бы использовать для фактической маркировки. Это может быть недостатком этого инструмента маркировки.

3. НДС:

Функции 3.1:

CVAT обеспечивает основные задачи контролируемого машинного обучения. Он включает в себя такие вещи, как обнаружение объектов, классификация изображений и сегментация изображений.
Существуют инструменты аннотации CVAT для видео, семантической сегментации и полигональных аннотаций.
Поскольку этот инструмент представляет собой веб-приложение, работающее в Docker, его легко установить и масштабировать.
На этой платформе пользователи используют четыре формы для аннотирования изображений. Они используют прямоугольники, многоугольники для задач сегментации, полилинии для аннотирования дорожных знаков и точки для аннотирования ориентиров лица или оценки позы.
Эта платформа поддерживает большое количество инструментов автоматизации. Это включает в себя автоматическое аннотирование с использованием TensorFlow* Object Detection API, интерполяцию видео и т. д.
Инструмент поддерживает интерполяцию ограничивающих рамок между ключевыми кадрами. Он также поддерживает полуавтоматическую аннотацию с использованием моделей глубокого обучения. Также встречаются ярлыки для наиболее серьезных действий, LDAP и базовая аутентификация доступа, дашборд со списком задач аннотации и т.д.

3.2 Управление проектом:

CVAT используется разными компаниями для маркировки миллионов объектов с различными свойствами. Это очень мощный и полный инструмент аннотации. Поскольку он поддерживает управление совместной работой, разные члены команды могут работать вместе над одной и той же задачей маркировки. Эта платформа работает с группой аналогичных инструментов для самостоятельной маркировки, включая инструмент для маркировки компьютерного зрения LabelImg. Здесь пользовательский интерфейс довольно сложный. По этой причине настройка задачи аннотации для пользователей может быть довольно сложной в первый раз. Даже на освоение может уйти несколько дней, но он предлагает множество функций для маркировки данных компьютерного зрения. Обычно пользователи создают общедоступную задачу и распределяют работу между другими пользователями.

3.3 Автоматизация:

Поскольку CVAT работает через Интернет, пользователям не нужно устанавливать приложение; им просто нужно открыть ссылку на инструмент в браузере, когда они хотят создать задачу или аннотировать данные. Здесь поддерживаются различные дополнительные инструменты, такие как — Deep Learning Deployment Toolkit (Intel® Distribution of OpenVINO™ toolkit element), ELK (Elasticsearch* + Logstash* + Kibana*) аналитическая система, TensorFlow* Object Detection API (TF OD API), NVIDIA * CUDA* Toolkit и т. д. Поскольку платформа работает только с Chrome, пользователям приходится искать обходные пути, если они боятся Google.

Здесь мы видим две разные формы для маркировки двух разных типов объектов.

4. Обоснованность:

Функции 4.1:

Инструмент быстрый, эффективный и, прежде всего, очень простой в использовании.
Он обеспечивает невероятный UX для пользователей
Поскольку инструмент с открытым исходным кодом, бесплатный и веб-интерфейс, он не требует сложной процедуры установки и посещения веб-сайта, пользователи могут получить к нему доступ.
MakeSense позволяет использовать несколько аннотаций, таких как ограничивающая рамка, многоугольник и точечная аннотация. И этикетку можно экспортировать в различные форматы, такие как YOLO, VOC XML, VGG JSON и CSV.
Модель SSD, предварительно обученная на наборе данных COCO, выполняет часть работы за пользователей по рисованию прямоугольников на фотографиях, а также предлагает метку.
Модель зрения PoseNet используется для оценки позы человека на изображении или видео путем оценки положения ключевых суставов тела.
Хотя они не хранят изображения, которые будут помечены, инструмент никуда не отправляет эти изображения, что касается конфиденциальности данных.

4.2 Управление проектом:

Поскольку эта платформа была выпущена недавно в июне 2019 года, она еще не предоставляет никаких функций управления проектами. А также он до сих пор не предоставляет никакого API. Пользователи не могут сотрудничать со своей командой для работы над одним и тем же проектом аннотации. Но эта платформа хорошо работает для небольших проектов, основанных на глубоком обучении компьютерного зрения, что значительно упрощает и ускоряет процесс подготовки набора данных. Кроме того, эта платформа не позволяет загружать zip-файлы; пользователи должны будут загружать изображения, выбирая нужные изображения на ярлык.

4.3 Автоматизация:

Движок, реализующий функции ИИ в Make-sense, называется TensorFlow.js. Это JS-версия самого общего фреймворка для обучения нейронных сетей. Такой выбор позволяет нам не только ускорить работу пользователя, но и позаботиться о конфиденциальности его данных. Здесь, в отличие от других инструментов маркировки изображений, изображения не нужно передавать на сервер. На этот раз на устройство приходит ИИ. Пользователи могут выбрать два варианта. Одна из них — модель обнаружения объектов COCO SSD для аннотаций ограничительной рамки, а другая — оценка позы POSE-NET для аннотаций ключевых точек.

Это выходное изображение после маркировки через makeense.ai. Судя по приведенным выше обсуждениям, MakeSense — хороший выбор для использования, когда у вас есть до нескольких сотен изображений для маркировки, как в примере с открытой или закрытой дверью.

5. Дарвин:

Функции 5.1:

Этот инструмент создает маску сегментации вокруг любого объекта или части объекта менее чем за одну секунду.
На этой платформе доступны теги, многоугольники, ограничивающие рамки, маски, векторы направлений, атрибуты и многое другое.
Пользователи могут сортировать наборы данных с помощью любой комбинации фильтров, принадлежащих разным столбцам данных.
Имеются графические значки для большей согласованности и лучшей визуализации.
Здесь пользователи могут загружать и обрабатывать очень длинные видео. V7 Darwin — это автоматизация этикетирования с идеальным качеством до пикселя. Это также создает наземную истину, позволяющую ИИ учиться автоматически.
Автоматизированное аннотирование изображений и обучение нейронных сетей возможно здесь, в Дарвине. Кроме того, этот инструмент позволяет инвертировать цвета изображения и повышать яркость для обработки изображений.
Эта платформа содержит инструмент кисти. Он использует векторную графику для рисования контуров, инструмент ластика для стирания ошибок пользователей и доступ к созданию новых классов.

5.2 Управление проектом:

Точный и интуитивно понятный пользовательский интерфейс этой платформы упрощает обработку сложных данных путем маркировки. Это обеспечивает задачи обучения машинному обучению. Команды глубокого обучения могут использовать активный подход Дарвина к обучению. Благодаря этому они могут в 10 раз быстрее создавать точную наземную информацию с точностью до пикселя. Здесь пользователи отслеживают прогресс и качество, а также тренируют модели для выполнения проекта. Аннотаторы могут просматривать только те проекты, в которые они были приглашены. Они могут только просматривать изображения для задач, которые им были выделены или созданы из открытых изображений. Функция аннотатора лучше всего подходит для третьих лиц, которые получают доступ к команде для служб аннотирования изображений. После маркировки изображения человек просматривает выходную метку. Это способствует периодическому изучению моделей автоматизации. Таким образом, этот инструмент является полностью частным и эксклюзивным для команды.

5.3 Автоматизация:

Эта платформа хороша для автоматического создания полигональных и пиксельных масок. Этот инструмент позволяет пользователям создавать проекты, добавлять данные, комментировать и экспортировать данные. Здесь пользователи могут удалять свои проекты, но не проекты других пользователей. Здесь задачи представляют собой наборы изображений, нуждающихся в аннотации или обзоре. Когда задача аннотируется, она не добавляется к основному набору данных, пока не пройдет проверку. Все его образы также нуждаются в принятии. После выполнения задачи пользователи могут начать просмотр на вкладке «Обзор» в наборе данных. Рецензент может принять изображение, отклонить его и даже сохранить изображение в архиве для будущих задач. Опять же, пользователи могут одобрить действие «Пропустить», чтобы пропустить это изображение и переместить его для достижения. Если задача не выполняет адекватную работу или становится недоступной, пользователи могут отменить задачу или переназначить ее другому комментатору. На этой платформе есть Инструмент выбора, позволяющий перемещать и деформировать аннотации. Инструмент "Прямоугольник" создает прямоугольные ограничивающие рамки для точного захвата пикселей, принадлежащих объекту, с помощью рамки. Инструмент «Многоугольник» создает многоугольники любой формы для сегментации объектов и т. д. Этот инструмент поддерживает наслоение списка аннотаций. Он также поддерживает копирование экземпляров аннотаций.

Здесь мы видим, как объект помечается с помощью этого инструмента. Наконец, мы можем сказать, что эта платформа объединяет ИИ, рецензентов, аннотаторов и экспертов в тщательно продуманных рабочих процессах, через которые проходит каждое изображение, когда оно назначается Дарвину.

6. Хартекс:

Функции 6.1:

Эта платформа помогает аннотировать и маркировать данные. Он находит выбросы, проверяет наличие предвзятости и может настраивать для конкретных целей.
Язык конфигурации поддерживает очень разные схемы маркировки и расширяется с помощью JavaScript SDK.
Для загрузки данных существует несколько форматов, таких как изображения, аудио и текст. Пользователи могут загружать данные через свой API или загружая файлы JSON/CSV/TSV/ZIP/RAR.
Здесь администратор проекта имеет полное право на данные, экспертов и статистику о процессе маркировки.
Эта платформа поддерживает подключение пользовательских моделей с помощью Python SDK. Это позволяет пользователям перейти от итеративного к непрерывному процессу качества и суждений.
После маркировки нескольких примеров модель начинает давать прогнозы. Этот инструмент использует мощные возможности трансферного обучения.
После запуска процесса маркировки у пользователей есть инструменты для проверки прогресса с помощью точности и нескольких основных статистических данных.
Функция диспетчера данных этого инструмента может включать метки как соавторов, так и моделей.
Доступ к API помогает пользователям быстро оценивать результаты в конвейере.

6.2 Управление проектом:

Каждое путешествие по маркировке и исследованию данных начинается с создания нового проекта. Проект состоит из набора данных, пользовательского интерфейса для его маркировки и просмотра, модели машинного обучения, помогающей пользователям в маркировке, и нескольких внешних сотрудников или членов команды.

После создания нового проекта каждый проект можно тщательно настроить и адаптировать для конкретного сценария маркировки. В настройках проекта есть такие параметры, как «Общие», «Соавторы», «Маркировка», «Машинное обучение», «Дублировать и удалить» и т. д. Мы знаем, что автоматические аннотации — это понимание поверх набора данных. И одним из преимуществ использования Heartex является возможность автоматического аннотирования наборов данных с помощью машинного обучения. Чтобы добавить участника в проект, пользователям необходимо перейти на страницу Команды и нажать кнопку Добавить участника. После добавления участников здесь пользователи также могут назначать им роли и добавлять соавторов. После загрузки результаты включают в себя как ручные метки, так и метки с помощью модели. Этот инструмент управляет данными обучения в одном месте, контролирует качество и конфиденциальность. Опять же, этот инструмент сводит к минимуму количество времени, которое вся команда тратит на подготовку и анализ наборов данных для машинного обучения.

6.3 Автоматизация:

Heartex автоматически аннотирует задачи, используя свои предварительно обученные модели машинного обучения или пользовательские модели, подключенные через SDK. Этот инструмент позволяет пользователям автоматизировать процессы поиска важной информации. Например, изучите отзывы клиентов в режиме реального времени или распознайте объекты на изображениях. Автоматические аннотации могут повысить производительность аннотаторов. Задачи предварительно помечаются моделями машинного обучения, а аннотаторы только исправляют неверные прогнозы. Таким образом, Heartex постоянно учится на обратной связи. Он обеспечивает более точные результаты с каждой итерацией.

Алгоритмы активного обучения Heartex стремятся выбрать разнообразные и информативные данные для аннотации из пула немаркированных данных. Алгоритмы активного обучения являются основой платформы Heartex. Это позволяет пользователям использовать эти методы с минимальными затратами для проектов. Этот инструмент автоматически маркирует до 95 % набора данных с помощью машинного обучения и активного обучения.

Здесь мы видим, как Heartex маркирует различные объекты. Наконец, мы можем сказать, что он разработан с учетом простоты и может быть адаптирован для различных нужд.

7. Масштабируемость:

Функции 7.1:

Этот инструмент поддерживает аннотации как к изображениям, так и к видео, включая маркировку 2D- и 3D-данных. Например, аннотации типа ограничивающих рамок поддерживают простые действия «щелкнуть и перетащить» и параметры для добавления нескольких атрибутов.
Scalabel предлагает инновационные функции и удобный интерфейс.
Платформа обеспечивает скорость за счет использования полуавтоматических аннотаций.
Это поддерживает одновременные сеансы аннотации и мониторинг прогресса.
Это доступно через веб-браузер без установки.
Инструмент поддерживает семантическую сегментацию, отслеживание видео, проезжую часть, маркетинг полос, трехмерные ограничивающие рамки в облаке точек и т. Д. В семантической сегментации есть функции функций для сопоставления границ с кривыми Безье и копирования общих границ.

7.2 Управление проектом:

Этот инструмент поддерживает аннотации как к видео, так и к изображениям, предоставляя скрипт в scripts/prepare_data.py, чтобы помочь пользователям подготовить данные. Здесь для видеоданных сначала видео разбивается на кадры с заданной частотой кадров (которая по умолчанию составляет 5 кадров в секунду). Это генерирует файл YAML, содержащий пути к фреймам. Сегментация меток для отслеживания видео требует аннотации для каждого кадра. Здесь количество меток в текущем изображении отображается слева от строки заголовка. В проектах маркировки видеотрекинга будет отображаться общее количество треков. Опять же, Scalabel в настоящее время поддерживает маркировку 3D ограничивающих рамок на данных облака точек. Но тогда данные должны быть предоставлены в формате PLY. В этом инструменте управление пользователями состоит из двух частей, первая — аутентификация пользователя. Второй — управление пользователями и проектами. Для создания проекта пользователи должны указать тип элемента (изображение, видео или облако точек), тип метки (2D-блок, сегментация, 3D-блок), список элементов, настраиваемые категории и атрибуты. Здесь управление пользователями настраивается в файле user_management_config.yml. После этого пользователи должны включить управление пользователями, чтобы включить управление пользователями. После включения управления пользователями пользователи настраивают переменные, связанные с пользовательским пулом AWS Cognito. Экспортированные данные можно позже импортировать в виде списка элементов.

7.3 Автоматизация:

Этот инструмент предсказывает аннотации между кадрами, используя алгоритмы отслеживания объектов и интерполяции. Даже в управляемой области этот инструмент может аннотировать область, по которой в данный момент движется водитель. Это также может аннотировать разметку полосы движения для локализации транспортного средства на основе зрения и планирования траектории. Помеченные данные можно просмотреть на панели инструментов. Даже URL-адреса задач для поставщиков можно загрузить на панели инструментов поставщиков. Здесь, с помощью модели, ограничивающие рамки могут быть предсказаны во время выполнения. Чтобы использовать инструмент маркировки 3D-ограничивающей рамки, пользователи должны перетаскивать его, чтобы отрегулировать угол обзора. Они могут использовать клавишу со стрелкой для навигации, чтобы начать маркировку в первую очередь. Здесь метки сегментации часто имеют общие границы друг с другом. Чтобы сделать аннотацию сегментации более удобной, Scalabel поддерживает подход с совместным использованием вершин и ребер. Поскольку список изображений находится в формате данных bdd, он также может содержать метки в каждом кадре. Например, пользователи могут загрузить список изображений, например, examples/image_list_with_auto_labels.json. Ярлыки в этом списке адресов электронной почты генерируются детектором объектов. Метки будут автоматически загружены в задачи и показаны аннотатору для корректировки. В этом сценарии пользователи могут использовать готовый детектор объектов, такой как Faster RCNN. Если результаты, сгенерированные детектором, представлены в формате COCO, они могут использовать параметр сценария для преобразования результатов в формат BDD. Существует преимущество прямой загрузки экспортированных результатов из предыдущего проекта аннотации, поскольку метки снова будут отображаться в новых задачах. На следующем изображении мы видим изображение, помеченное этим инструментом.

В настоящее время команда Scalabel пытается убедиться, что эта система может быть стабильной, а внутренние данные можно повторно использовать в новых обновлениях. Кроме того, они считают, что для нарушения обратной совместимости внутреннего хранилища данных можно экспортировать метки из старого проекта и импортировать их в новый проект с новым кодом.

8. Сегменты.ai:

Функции 8.1:

Платформа может маркировать объекты и области несколькими щелчками мыши с помощью современной технологии компьютерного зрения.
Это идеально подходит для маркировки больших общедоступных наборов данных, а также упрощает создание конфиденциальных наборов данных для собственного использования.
Здесь прогнозы модели обеспечивают инициализацию меток путем создания активного конвейера обучения с участием людей в цикле.
API и Python SDK этого инструмента обеспечивают глубокую и плавную интеграцию технологии маркировки в существующие конвейеры и рабочие процессы машинного обучения пользователя. Таким образом, пользователям не нужно создавать конвейер восприятия с нуля.
Существуют функции управления маркировкой, такие как неограниченная поддержка, почасовая оплата рабочей силы, технология видеоаннотаций, индивидуальное переобучение моделей, рабочие процессы прогнозной маркировки, гарантированное время безотказной работы SLA и т. д.
Категории данных могут быть «Автомобили», «Растительность», «Спутник», «Люди», «Медицина» и другие в этом инструменте.

8.2 Управление проектом:

Этот инструмент позволяет сотрудничать с командой или на борту внешней рабочей силы. Для поддержки мощной технологии маркировки Segments.ai привносит в отрасль новейшие исследования в области машинного обучения и компьютерного зрения, обеспечивая активное обучение, обучение за несколько шагов, Дистилляция данных, Генеративное моделирование, Обучение с самоконтролем и Оценка неопределенности. Опять же, от автомобильных данных до медицинских изображений, этот инструмент поддерживает различные типы данных для импорта. Если изображение находится на локальном компьютере пользователя, он должен загрузить его в службу облачного хранения, такую как Amazon S3, Google Cloud Storage, Imgur, или в собственную службу хранения активов этого инструмента. Технология этой платформы быстро обучается и адаптируется к пользовательским данным. Здесь к образцу может быть добавлена метка в отношении задачи, определенной в наборе данных, например задачи классификации изображений или задачи сегментации изображений.

8.3 Автоматизация:

После маркировки первого набора изображений над ним начинают работать прогнозы на основе ИИ. Хотя развернуть модели PyTorch в облаке непросто, им удалось включить PyTorch в функции Lambda. Они также добавляют его в виде заархивированного архива в свой пакет развертывания и распаковывают на лету. При аннотировании изображения для задач сегментации сначала пользователям необходимо щелкнуть сегмент и подтвердить автоматически оцененное пространство этого объекта. Здесь пользователи также могут прокручивать вверх и вниз, чтобы настроить размер сегментов. Этот инструмент также позволяет пользователям перетаскивать и соединять несколько сегментов. Таким образом, несколько объектов помечаются полуавтоматически в segments.ai. Для идеальной маркировки изображений существует несколько вариантов, таких как включение кисти, включение режима стирания, просмотр изображений и меток, параметры панорамирования, масштабирования и т. д. Это показано ниже:

На следующем изображении мы видим выходное изображение Segments.ai.

Помимо рассмотренных выше, нам доступно множество инструментов для маркировки данных. Поскольку каждый инструмент хорошо работает для каждой цели, ключ не в том, чтобы знать множество инструментов, а в том, чтобы знать, какой инструмент лучше всего подойдет для вашего проекта, и понимать, как лучше всего его использовать.

Ссылки:

[1] https://medium.com/tektorch-ai/best-image-labeling-tools-for-computer-vision-393e256be0a0

[2] https://humansintheloop.org/the-best-image-labeling-tools-for-computer-vision-of-2020/

[3] https://www.sicara.ai/blog/2019-09-01-top-five-open-source-annotation-tools-computer-vision

[4] https://go.heartex.net/docs/guide/about.html

[5] https://scalabel.ai/doc/data-preparation.html

[6] https://github.com/scalabel/scalabel

[7] https://hasty.ai/

[8] https://segments.ai/

[9] https://blog.roboflow.ai/getting-started-with-cvat/

Ссылки на рисунок:

Рис [10]: https://segments.ai/