Labelme加载AI（Segment-Anything）模型进行图像标注

  labelme是使用python写的基于QT的跨平台图像标注工具，可用来标注分类、检测、分割、关键点等常见的视觉任务，支持VOC格式和COCO等的导出，代码简单易读，是非常利用上手的良心工具。
在这里插入图片描述
第一步：
  下载源码进行安装。

git clone https://github.com/wkentaro/labelme.git
cd labelme
pip install -e .

第二步：
   找到源码所在路径进行修改。
  （1）打开labelme/labelme/ai/init.py，源码如下：

MODELS = [
    Model(
        name="Segment-Anything (speed)",
        encoder_weight=Weight(
            url="https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_b_01ec64.quantized.encoder.onnx",  # NOQA
            md5="80fd8d0ab6c6ae8cb7b3bd5f368a752c",
        ),
        decoder_weight=Weight(
            url="https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_b_01ec64.quantized.decoder.onnx",  # NOQA
            md5="4253558be238c15fc265a7a876aaec82",
        ),
    ),
    Model(
        name="Segment-Anything (balanced)",
        encoder_weight=Weight(
            url="https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_l_0b3195.quantized.encoder.onnx",  # NOQA
            md5="080004dc9992724d360a49399d1ee24b",
        ),
        decoder_weight=Weight(
            url="https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_l_0b3195.quantized.decoder.onnx",  # NOQA
            md5="851b7faac91e8e23940ee1294231d5c7",
        ),
    ),
    Model(
        name="Segment-Anything (accuracy)",
        encoder_weight=Weight(
            url="https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_h_4b8939.quantized.encoder.onnx",  # NOQA
            md5="958b5710d25b198d765fb6b94798f49e",
        ),
        decoder_weight=Weight(
            url="https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_h_4b8939.quantized.decoder.onnx",  # NOQA
            md5="a997a408347aa081b17a3ffff9f42a80",
        ),
    ),
]

  （2）在labelme/labelme/文件夹下自建一个文件夹model_file。
  （3）依次输入以下几个网址下载onnx到model_file文件目录。

https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_b_01ec64.quantized.encoder.onnx
https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_b_01ec64.quantized.decoder.onnx

https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_l_0b3195.quantized.encoder.onnx
https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_l_0b3195.quantized.decoder.onnx

https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_h_4b8939.quantized.encoder.onnx
https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_h_4b8939.quantized.decoder.onnx

在这里插入图片描述
  （4）修改labelme/labelme/ai/init.py，代码如下：

import collections

from .models.segment_anything import SegmentAnythingModel  # NOQA


Model = collections.namedtuple(
    "Model", ["name", "encoder_weight", "decoder_weight"]
)

Weight = collections.namedtuple("Weight", ["url", "md5"])

# MODELS = [
#     Model(
#         name="Segment-Anything (speed)",
#         encoder_weight=Weight(
#             url="https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_b_01ec64.quantized.encoder.onnx",  # NOQA
#             md5="80fd8d0ab6c6ae8cb7b3bd5f368a752c",
#         ),
#         decoder_weight=Weight(
#             url="https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_b_01ec64.quantized.decoder.onnx",  # NOQA
#             md5="4253558be238c15fc265a7a876aaec82",
#         ),
#     ),
#     Model(
#         name="Segment-Anything (balanced)",
#         encoder_weight=Weight(
#             url="https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_l_0b3195.quantized.encoder.onnx",  # NOQA
#             md5="080004dc9992724d360a49399d1ee24b",
#         ),
#         decoder_weight=Weight(
#             url="https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_l_0b3195.quantized.decoder.onnx",  # NOQA
#             md5="851b7faac91e8e23940ee1294231d5c7",
#         ),
#     ),
#     Model(
#         name="Segment-Anything (accuracy)",
#         encoder_weight=Weight(
#             url="https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_h_4b8939.quantized.encoder.onnx",  # NOQA
#             md5="958b5710d25b198d765fb6b94798f49e",
#         ),
#         decoder_weight=Weight(
#             url="https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_h_4b8939.quantized.decoder.onnx",  # NOQA
#             md5="a997a408347aa081b17a3ffff9f42a80",
#         ),
#     ),
# ]


MODELS = [
    Model(
        name="Segment-Anything (speed)",
        encoder_weight=Weight(
            url="E:\labelme\labelme\model_file\sam_vit_b_01ec64.quantized.encoder.onnx",  # NOQA
            md5="80fd8d0ab6c6ae8cb7b3bd5f368a752c",
        ),
        decoder_weight=Weight(
            url="E:\labelme\labelme\model_file\sam_vit_b_01ec64.quantized.decoder.onnx",  # NOQA
            md5="4253558be238c15fc265a7a876aaec82",
        ),
    ),
    Model(
        name="Segment-Anything (balanced)",
        encoder_weight=Weight(
            url="E:\labelme\labelme\model_file\sam_vit_l_0b3195.quantized.encoder.onnx",  # NOQA
            md5="080004dc9992724d360a49399d1ee24b",
        ),
        decoder_weight=Weight(
            url="E:\labelme\labelme\model_file\sam_vit_l_0b3195.quantized.decoder.onnx",  # NOQA
            md5="851b7faac91e8e23940ee1294231d5c7",
        ),
    ),
    Model(
        name="Segment-Anything (accuracy)",
        encoder_weight=Weight(
            url="E:\labelme\labelme\model_file\sam_vit_h_4b8939.quantized.encoder.onnx",  # NOQA
            md5="958b5710d25b198d765fb6b94798f49e",
        ),
        decoder_weight=Weight(
            url="E:\labelme\labelme\model_file\sam_vit_h_4b8939.quantized.decoder.onnx",  # NOQA
            md5="a997a408347aa081b17a3ffff9f42a80",
        ),
    ),
]

  （5）修改labelme/labelme/widgets/canvas.py，代码如下：

    def initializeAiModel(self, name):
        if name not in [model.name for model in labelme.ai.MODELS]:
            raise ValueError("Unsupported ai model: %s" % name)
        model = [model for model in labelme.ai.MODELS if model.name == name][0]

        if self._ai_model is not None and self._ai_model.name == model.name:
            logger.debug("AI model is already initialized: %r" % model.name)
        else:
            logger.debug("Initializing AI model: %r" % model.name)
            self._ai_model = labelme.ai.SegmentAnythingModel(
                name=model.name,
                # encoder_path=gdown.cached_download(
                #     url=model.encoder_weight.url,
                #     md5=model.encoder_weight.md5,
                # ),
                # decoder_path=gdown.cached_download(
                #     url=model.decoder_weight.url,
                #     md5=model.decoder_weight.md5,
                # ),
                encoder_path=model.encoder_weight.url,
                decoder_path=model.decoder_weight.url,
            )

        self._ai_model.set_image(
            image=labelme.utils.img_qt_to_arr(self.pixmap.toImage())
        )

第三步：
  启动labelme

cd labelme
labelme

在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/190487.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

PaddleOCR学习笔记

PaddleOCR学习笔记

Paddle 功能特性 PP-OCR系列模型列表 https://github.com/PaddlePaddle/PaddleOCR#%EF%B8%8F-pp-ocr%E7%B3%BB%E5%88%97%E6%A8%A1%E5%9E%8B%E5%88%97%E8%A1%A8%E6%9B%B4%E6%96%B0%E4%B8%AD PP-OCR系列模型列表（V4，2023年8月1日更新） 配置文…
阅读更多...
Spring如何在多线程下保持事务的一致性

Spring如何在多线程下保持事务的一致性

Spring如何在多线程下保持事务的一致性 方法：每个线程都开启各自的事务去执行相关业务，等待所有线程的业务执行完成，统一提交或回滚。 下面我们通过具体的案例来演示Spring如何在多线程下保持事务的一致性。 1、项目结构 2、数据库SQL CR…
阅读更多...
Unity 场景切换

Unity 场景切换

Unity场景切换可使用以下方法： 1、SceneManager.LoadScene()方法： using UnityEngine.SceneManagement;// 切换到Scene2场景 SceneManager.LoadScene("Scene2"); 2、使用SceneManager.LoadSceneAsync()方法异步加载场景，异步加载…
阅读更多...
Go 语言 Printf 函数和格式化动词详解

Go 语言 Printf 函数和格式化动词详解

Printf() 函数可以使用多种格式化动词对输出进行格式化。下面是可以与所有数据类型一起使用的一些通用格式化动词： 通用格式化动词： 以下动词适用于所有数据类型： 动词描述%v以默认格式打印值%#v以 Go 语法格式打印值%T打印值的类型%%打印百…
阅读更多...
灯塔的安装

灯塔的安装

Docker 安装 docker 安装参考：https://docs.docker.com/engine/install/ shell脚本: curl -fsSL https://get.docker.com -o get-docker.sh sudo sh get-docker.sh灯塔安装 mkdir docker-ARL;cd docker-ARL curl https://bootstrap.pypa.io/get-pip.py -o get-pip…
阅读更多...
服务器下db（数据库）的执行

服务器下db（数据库）的执行

1、查看 select * from xxxx（表名） where xxx（列表）1 and.......正常写就行 2、插入 如果你想要在 SELECT INSERT INTO … SELECT 语句中将部分列保持不变,只改变一两列的值,可以在 语句中直接设置目标列的值,而其他列从源表中…
阅读更多...
thinkphp最新开发的物业管理系统 缴费管理、停车管理、收费管理、值班管理

thinkphp最新开发的物业管理系统 缴费管理、停车管理、收费管理、值班管理

物业费，水电燃气费，电梯费，租金，临时收费等多种收费规则完全自定义，账单自动生成，无需人工计算 实时数据互通：一键报事报修，购买车辆月卡，管理家人信息，参加物…
阅读更多...
知识的分层：know-what/how/why

知识的分层：know-what/how/why

知识（knowledge）表示知道某些信息。通常而言，知识是正确的，但不一定是完备的。知识本身有自己的适用范围，特别是工程技术类问题。 根据知识的类型，可分为三类： know-whatknow-howknow-why kno…
阅读更多...
个人成长|信奉长期主义，就要多做可积累有复利的事。

个人成长|信奉长期主义，就要多做可积累有复利的事。

哈喽啊，大家好，我是雷工！ 最近有个哥们儿吐槽，说他们公司人事找他谈话，要给降工资，他不同意。 过了没几天又说： “定了，全员降薪”。 “你同意了？” “不同意&#xff0…
阅读更多...
DL Homework 8

DL Homework 8

目录 习题5-2 证明宽卷积具有交换性， 即公式(5.13)． 习题5-4 对于一个输入为100 100 256的特征映射组， 使用3 3的卷积核， 输出为100 100 256的特征映射组的卷积层， 求其时间和空间复杂度． 如果引入一…
阅读更多...
GLP-1 , GLP-1R

GLP-1 , GLP-1R

-- 6VCB_GLP-1R G_protein, GLP-1 peptidea positive allosteric modulator
阅读更多...
Drools 7 JMX Mbean 及Metric 分析

Drools 7 JMX Mbean 及Metric 分析

Mbean mbean的打开很简单，使用jmx启动参数： -Dcom.sun.management.jmxremote.port9999 -Ddrools.mbeansenabled -Dcom.sun.management.jmxremote.authenticatefalse -Dcom.sun.management.jmxremote.sslfalse 但通过jconsole能直观看到的东西也很…
阅读更多...
Win11安装Docker

Win11安装Docker

一、进入Docker官网 首先先到Docker官网下载最新官方Docker for Windows链接：Docker下载 在官网内可以查看到Docker的开发文档： 根据官网提示，Windows环境下下载Docker必须满足：Docker for Windows requires 64bit Windows 11 Pro…
阅读更多...
CSS之弹性盒子Flexible Box

CSS之弹性盒子Flexible Box

我想大家在做布局的时候，没接触flex布局之前，大家都是用浮动来布局的，但现在我们接触了flex布局之后，我只能说：“真香”。让我为大家介绍一下弹性盒子模型吧！ Flexible Box 弹性盒子 在我们使用弹性盒子时&…
阅读更多...
linux系统初始化本地git，创建ssh-key

linux系统初始化本地git，创建ssh-key

step1, 在linux系统配置你的git信息 sudo apt install -y git//step1 git config --global user.name your_name // github官网注册的用户名 git config --global user.email your_email //gitub官网注册绑定的邮箱 git config --list //可以查看刚才你的配置内容…
阅读更多...
redis的集群，主从复制，哨兵

redis的集群，主从复制，哨兵

redis的高可用 在Redis中，实现高可用的技术主要包括持久化、主从复制、哨兵和集群，下面分别说明它们的作用，以及解决了什么样的问题。 持久化： 持久化是最简单的高可用方法（有时甚至不被归为高可用的手段）…
阅读更多...
HONOR荣耀MagicBook 15 2021款 锐龙版R5(BMH-WFQ9HN)原厂Windows11预装OEM系统含F10智能还原

HONOR荣耀MagicBook 15 2021款 锐龙版R5(BMH-WFQ9HN)原厂Windows11预装OEM系统含F10智能还原

链接：https://pan.baidu.com/s/1faYtC5BIDC2lsV_JSMI96A?pwdj302 提取码：j302 原厂系统Windows11.22H2工厂模式安装包,含F10一键智能还原，自带所有驱动、出厂主题壁纸、系统属性专属LOGO标志、Office办公软件、荣耀 电脑管家等预装程序 …
阅读更多...
相识词设计思路及实现方法

相识词设计思路及实现方法

目录 1.业务背景 2.实现方法 第一种： ​编辑 第二种： 3.相关材料 1.业务背景 业务有全文检索功能，然后根据标书的要求需要有近似词的功能，一般近似词需要模型训练之后成为词库，是需要大数据相关人员负责。负责人表示…
阅读更多...
【Leetcode合集】1457. 二叉树中的伪回文路径

【Leetcode合集】1457. 二叉树中的伪回文路径

1457. 二叉树中的伪回文路径 1457. 二叉树中的伪回文路径 代码仓库地址： https://github.com/slience-me/Leetcode 个人博客 ：https://slienceme.xyz 给你一棵二叉树，每个节点的值为 1 到 9 。我们称二叉树中的一条路径是 「伪回文」的&am…
阅读更多...
2024年最新最全的Jmeter接口测试必会知识点：jmeter连接数据库

2024年最新最全的Jmeter接口测试必会知识点：jmeter连接数据库

jmeter连接mysql数据库 大致步骤如下： 1、下载mysql的jar包放入到jmeter的lib下，然后重启jmeter 2、配置JDBC Connection Configuration 3、配置JDBC Request 4、在请求中引用查询到的结果变量，可以结合计数器取每一个结果值&#xff1a…
阅读更多...
最新文章

Copyright @ 2022~2023