关键点标注通过人工的方式，在规定位置标注上关键点，例如人脸关键点、骨骼点。常用于面部或姿势识别模型。线标注主要用于自动驾驶车辆的道路识别，定义不同道路。视频标注以帧为单位在一系列图像中定位和跟踪物体，多用于训练车辆、行人、骑行者、道路等自动驾驶领域的模型。用于多传感器融合平台的数据处理，多应用于自动驾驶场景。支持本地部署，无需担心数据外泄。
随着AI与传统行业的不断融合以及5G的发展，AI数据服务方式由粗放式向着精细化方向过渡，数据标注工具的发展也经历了从「能用就行」到「好用且高效」的阶段。
大家都知道不同的标注类型使用的标注方法、工具、存储类型都不一样，在了解图像标注工具之前，我们先来看看图像标注都有哪些数据类型
图像/视频标注类型
2D框
给标注工具提供一幅图像，让其在图像内特定对象周围绘制一个框。
最简单的图片数据标注类型，成本最低，应用最广泛。
多边形分割
标注工具会通过在需要标注的对象的外边缘，放置许多个点来绘制成线，勾勒轮廓。
用于图片和视频中精确的物体检测和位置定位，更精准、更耗时、成本更高。
关键点标注
通过人工的方式，在规定位置标注上关键点，例如人脸关键点、骨骼点。常用于面部或姿势识别模型。
线标注
主要用于自动驾驶车辆的道路识别，定义不同道路。
语义分割
根据物体的属性，对复杂不规则图片进行进行区域划分，并标注对应的属性，以帮助训练图像识别模型，常应用于自动驾驶汽车、人机交互、虚拟现实等领域。
比较精准，耗时比较长，对图片上的所有内容进行标注。
视频标注
以帧为单位在一系列图像中定位和跟踪物体，多用于训练车辆、行人、骑行者、道路等自动驾驶领域的模型。
2/3D融合标注
通过3D点云数据，返求出2D图片的相对位置，对点云数据和图片数据同时标注。
用于多传感器融合平台的数据处理，多应用于自动驾驶场景。
标注工具推荐
- CVAT
CVAT是免费的、在线的、交互式的视频注释工具，它的灵感来自Vatic。支持本地部署，无需担心数据外泄。
网址
https://Github.com/OpenCV/cvat
标注类型
1.多边形分割、语义分割、2D框、线标注、点标注
2.3D点云
3.视频标注
文件导出格式
CVAT for video、CVAT for images、PASCAL VOC、(VOC) Segmentation mask、YOLO、COCO、TFRecord、MOT、LabelMe 3.0、Datumaro
亮点/优势
1.支持多人协作
CVAT带有用户管理系统，可以创建、删除新成员，并为成员分配不同角色。如管理员、用户、标注员、质检员
2.标注功能强大
能用于几乎所有CV相关标注任务，如点，多边形，语义分割等，并且包含了插值标注即一个视频中若干帧，标注起始帧中间会自动生成、 带有标注任务列表的仪表板等功能
3.预处理功能
使用TensorFlow OD API的自动标注，可以预处理一部分数据
4.持续更新
开源环境较好，工具在不断完善中，有任何问题可以在gitchater问，回复很快
不足
1.没有「贝塞尔曲线」，只能一个一个点
2.只适用于谷歌浏览器，在其他浏览器中表现不佳
3.尽管 CVAT 支持一些自动测试，但所有质检都必须手动完成
4.由于Chrome Sandbox的性能限制，CVAT在某些用例中可能会出现性能问题
- VOTT
微软发布的一款基于javascript开发用于图像目标检测的标注工具，使用React Redux进行开发，支持Windows和Linux平台运行。
分为V1和V2两个版本，目前V1已经废弃，V2是V1版本的重构和优化，建议大家直接用V2。
网址
https://github.com/microsoft/VoTT
标注类型
支持点、线、2D框、语义分割与视频数据标注
文件导出格式
CNTK/Pascal VOC、TFRecord、csv、VoTT等格式
亮点/优势
1.安装方便，直接下载exe文件即可
2.VoTT的学习成本低、上手快
不足
1.不支持多人协作
2.VoTT的标注会超出图像的最大像素范围，如果模型对坐标有规定范围的话，则需要进行特定处理
3.数据无法加密保存，不适合私密数据标注
4.不能导入已有的标注结果（如bbox）
5.程序不稳定：VoTT是桌面应用，经常死机，经常会报错
- Labelme
Labelme 是一个图形界面的图像标注软件。其的设计灵感来自于 http://labelme.csail.mit.edu/ 。它是用 Python 语言编写的，图形界面使用的是 Qt（PyQt）。
网址
https://github.com/wkentaro/labelme
标注类型
1.多边形分割、语义分割、2D框、线标注、点标注
2.视频标注
3.对图像进行进行 flag 形式的标注（可用于图像分类和清理）
文件导出格式
JASON、VOC与COCO
亮点/优势
1.用户定制界面
2.支持全面标注方式：与labelImg相比，labelme除了矩形框之外，还可以使用圆形框，多边形框，点，线等来对图像进行标注，用于目标检测、图像分割等任务
3.可以对图像进行flag形式的标注，用于图像分类和清理任务
- LabelImg
LabelImg是图形图像标注工，用Python编写的，并将Qt用于其图形界面，可以用于进行目标检测项目的标注工作。
网址
https://github.com/tzutalin/labelImg
标注类型
2D矩形框，目标检测
文件导出格式
PASCAL VOC 、YOLO 、CreateML
亮点/优势
1.操作简单快速，而且生成的标注文件以XML文件保存，读取方便，格式标准
2.支持VOC2012格式与tfrecord自动生成
不足
支持的标注类型少：仅支持2D框标注
- VIA-VGG Image Annotator
一款开源的图像标注工具，由Visual Geometry Group开发。可以在线和离线使用。
可标注矩形、圆、椭圆、多边形、点和线。
网址
下载地址：http://www.robots.ox.ac.uk/~vgg/software/via/
Github：https://gitlab.com/vgg/via
标注类型
1.多边形分割、语义分割、2D框、线标注、点标注
2.Version3增加了对视频和音频的标注
3.人脸标注
文件导出格式
csv和JSON
亮点/优势
1.人脸数据标注提供了各种方便的操作，人脸数据标注首选工具
2.网页源代码开源，可离线使用还可进行二次开发，比如增加鼠标十字线
3.标框可以复制（可前后帧复制），同样大小可直接复制且继承属性，属性面板较为清晰
4.适用多个浏览器：Chrome、Firefox、Safari、 Explorer、GNOME Web等
不足
多边形工具，一旦绘制完多边形无法增加锚点，只能调节点的位置
- Pixel Annotation Tool
图像语义分割与实例分割标注神器，交互式标注算法思想是基于opencv中分水岭算法实现。
网址
https://github.com/abreheret/PixelAnnotationTool
也可以直接下载编译好的二进制文件使用，下载地址如下：https://github.com/abreheret/PixelAnnotationTool/releases
标注类型
语义分割与实例分割
亮点/优势
1.快捷，半自动化，类似PS蒙版，基于OpenCV中分水岭算法实现
2.可以返回上一步
不足
1.标注对象若颜色分布不均匀，软件无法识别
2.如果识别出来，大概率覆盖掉周围物体，很难修改
- Vatic
Vatic是一个带有目标跟踪的半自动化视频标注工具，适合目标检测任务的标注工
网址
https://github.com/cvondrick/vatic/tree/contrib
标注类型
适合目标检测任务的视频标注
文件导出格式
JSON
亮点/优势
1.内含基于opencv的tracking，一段视频只需抽样标注，大大减少了工作量
2.支持接入亚马逊的众包平台Mechanical Turk，具体使用时，可以设定要标注的物体label，比如：水果，人，车，等等，然后指派任务给到众包平台
3.简洁使用的GUI界面，支持多种快捷键操作
不足
仅支持2D框标注。
数据标注
数据是公认数字时代的石油。为了更好地对数据资源进行管理和开发利用，发挥数据资源的价值，国家定会加快培育数据要素市场，发挥数据生产要素的作用，激活数据要素潜力，进一步完善数据生态，编制出台培育数据要素市场的指导性文件，数据标注行业，也将在快速发展的同时，更加规范化、制度化。
