PaddleSeg/EISeg

• EISeg
• • 最新动向
  • 介绍
  • 模型准备
  • 安装使用
  • • 克隆到本地
    • PIP
  • 使用
  • 特色功能使用说明
  • 版本更新
  • 贡献者
  • 学术引用

简体中文 | English

EISeg

最新动向

• 交互式分割论文EdgeFlow被ICCV 2021 Workshop接收。
• 支持静态图预测，全面提升交互速度；新增遥感、医疗标注垂类方向，上线宫格标注，最新EISeg 0.4.0推出。

介绍

EISeg(Efficient Interactive Segmentation)是以RITM及EdgeFlow算法为基础，基于飞桨开发的一个高效智能的交互式分割标注软件。涵盖了通用、人像、遥感、医疗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。

模型准备

在使用EIseg前，请先下载模型参数。EISeg 0.4.0版本开放了在COCO+LVIS、大规模人像数据、mapping_challenge及LiTS(Liver Tumor Segmentation Challenge)上训练的四个垂类方向模型，满足通用场景、人像场景、建筑物标注及医疗影像肝脏的标注需求。其中模型结构对应EISeg交互工具中的网络选择模块，用户需要根据自己的场景需求选择不同的网络结构和加载参数。

模型类型	适用场景	模型结构	模型下载地址
高精度模型	适用于通用场景的图像标注。	HRNet18_OCR64	static_hrnet18_ocr64_cocolvis
轻量化模型	适用于通用场景的图像标注。	HRNet18s_OCR48	static_hrnet18s_ocr48_cocolvis
高精度模型	适用于人像标注场景。	HRNet18_OCR64	static_hrnet18_ocr64_human
轻量化模型	适用于人像标注场景。	HRNet18s_OCR48	static_hrnet18s_ocr48_human
高精度模型	适用于通用图像标注场景。	EdgeFlow	static_edgeflow_cocolvis
轻量化模型	适用于遥感建筑物标注场景。	HRNet18s_OCR48	static_hrnet18_ocr48_rsbuilding_instance
轻量化模型	适用于医疗肝脏标注场景。	HRNet18s_OCR48	static_hrnet18s_ocr48_lits

NOTE： 将下载的模型结构*.pdmodel及相应的模型参数*.pdiparams需要放到同一个目录下，加载模型时只需选择*.pdiparams结尾的模型参数位置即可， *.pdmodel会自动加载。在使用EdgeFlow模型时，请将使用掩膜关闭，其他模型使用时请勾选使用掩膜。

安装使用

EISeg提供多种安装方式，其中使用pip和运行代码方式可兼容Windows，Mac OS和Linux。为了避免环境冲突，推荐在conda创建的虚拟环境中安装。

版本要求:

• PaddlePaddle >= 2.2.0

PaddlePaddle安装请参考官网。

克隆到本地

通过git将PaddleSeg克隆到本地：

git clone https://github.com/PaddlePaddle/PaddleSeg.git

安装所需环境（若需要使用到GDAL和SimpleITK请参考垂类分割进行安装）：

pip install -r requirements.txt

安装好所需环境后，进入EISeg，可通过直接运行eiseg打开EISeg：

cd PaddleSeg\EISeg
python -m eiseg

或进入eiseg，运行exe.py打开EISeg：

cd PaddleSeg\EISeg\eiseg
python exe.py

PIP

pip安装方式如下：

pip install eiseg

pip会自动安装依赖。安装完成后命令行输入：

eiseg

即可运行软件。

使用

打开软件后，在对项目进行标注前，需要进行如下设置：

1. 模型参数加载

   根据标注场景，选择合适的网络模型及参数进行加载。目前在EISeg0.4.0中，已经将动态图预测转为静态图预测，全面提升单次点击的预测速度。选择合适的模型及参数下载解压后，模型结构*.pdmodel及相应的模型参数*.pdiparams需要放到同一个目录下，加载模型时只需选择*.pdiparams结尾的模型参数位置即可。静态图模型初始化时间稍长，请耐心等待模型加载完成后进行下一步操作。正确加载的模型参数会记录在近期模型参数中，可以方便切换，并且下次打开软件时自动加载退出时的模型参数。

2. 图像加载

   打开图像/图像文件夹。当看到主界面图像正确加载，数据列表正确出现图像路径即可。

3. 标签添加/加载

   添加/加载标签。可以通过添加标签新建标签，标签分为4列，分别对应像素值、说明、颜色和删除。新建好的标签可以通过保存标签列表保存为txt文件，其他合作者可以通过加载标签列表将标签导入。通过加载方式导入的标签，重启软件后会自动加载。

4. 自动保存设置

   在使用中可以将自动保存设置上，设定好文件夹即可，这样在使用时切换图像会自动将完成标注的图像进行保存。

当设置完成后即可开始进行标注，默认情况下常用的按键/快捷键如下，如需修改可按E弹出快捷键修改。

部分按键/快捷键	功能
鼠标左键	增加正样本点
鼠标右键	增加负样本点
鼠标中键	平移图像
Ctrl+鼠标中键（滚轮）	缩放图像
S	切换上一张图
F	切换下一张图
Space（空格）	完成标注/切换状态
Ctrl+Z	撤销
Ctrl+Shift+Z	清除
Ctrl+Y	重做
Ctrl+A	打开图像
Shift+A	打开文件夹
E	打开快捷键表
Backspace（退格）	删除多边形
鼠标双击（点）	删除点
鼠标双击（边）	添加点

特色功能使用说明

• 多边形

  • 交互完成后使用Space（空格）完成交互标注，此时出现多边形边界；
  • 当需要在多边形内部继续进行交互，则使用空格切换为交互模式，此时多边形无法选中和更改。
  • 多边形可以删除，使用鼠标左边可以对锚点进行拖动，鼠标左键双击锚点可以删除锚点，双击两点之间的边则可在此边添加一个锚点。
  • 打开保留最大连通块后，所有的点击只会在图像中保留面积最大的区域，其余小区域将不会显示和保存。

• 保存格式

  • 打开保存JSON保存或COCO保存后，多边形会被记录，加载时会自动加载。
  • 若不设置保存路径，默认保存至当前图像文件夹下的label文件夹中。
  • 如果有图像之间名称相同但后缀名不同，可以打开标签和图像使用相同扩展名。
  • 还可设置灰度保存、伪彩色保存和抠图保存，见工具栏中7-9号工具。

• 生成mask

  • 标签按住第二列可以进行拖动，最后生成mask时会根据标签列表从上往下进行覆盖。

• 界面模块

  • 可在显示中选择需要显示的界面模块，正常退出时将会记录界面模块的状态和位置，下次打开自动加载。

• 垂类分割

  EISeg目前已添加对遥感图像和医学影像分割的支持，使用相关功能需要安装额外依赖。

  • 分割遥感图像请安装GDAL，相关安装及介绍具体详见遥感标注垂类建设。
  • 分割医学影像请安装SimpleITK，相关安装及介绍具体详见医疗标注垂类建设。

• 脚本工具使用

  EISeg目前提供包括标注转PaddleX数据集、划分COCO格式以及语义标签转实例标签等脚本工具，相关使用方式详见脚本工具使用。

版本更新

• 2021.12.14 0.4.1：【1】修复闪退问题； 【2】新增建筑物遥感标注后处理操作。
• 2021.11.16 0.4.0：【1】将动态图预测转换成静态图预测，单次点击速度提升十倍；【2】新增遥感图像标注功能，支持多光谱数据通道的选择；【3】支持大尺幅数据的切片（多宫格）处理；【4】新增医疗图像标注功能，支持读取dicom的数据格式，支持选择窗宽和窗位。
• 2021.09.16 0.3.0：【1】初步完成多边形编辑功能，支持对交互标注的结果进行编辑；【2】支持中/英界面；【3】支持保存为灰度/伪彩色标签和COCO格式；【4】界面拖动更加灵活；【5】标签栏可拖动，生成mask的覆盖顺序由上往下覆盖。
• 2021.07.07 0.2.0：新增contrib：EISeg，可实现人像和通用图像的快速交互式标注。

贡献者

感谢Lin Han, Yizhou Chen, Yiakwy, GT, Youssef Harby, Nick Nie 等开发者及RITM 算法支持。

学术引用

如果我们的项目在学术上帮助到你，请考虑以下引用：

@article{hao2021edgeflow,
  title={EdgeFlow: Achieving Practical Interactive Segmentation with Edge-Guided Flow},
  author={Hao, Yuying and Liu, Yi and Wu, Zewu and Han, Lin and Chen, Yizhou and Chen, Guowei and Chu, Lutao and Tang, Shiyu and Yu, Zhiliang and Chen, Zeyu and others},
  journal={arXiv preprint arXiv:2109.09406},
  year={2021}
}