1.标注工具的选择 

在img.net和瑞芯微的双重加持下，现在的计算机视觉识别已经在各行业快速推进。进行自行标注时，首先遇到的问题就是标注工具的选择问题，标注工具不需要自己手工完成——也没有必要。类似这样的通用需求，交给专业的开发人员即可。刚刚试用了几种标注工具，部署异常困难。

国产的某几个标注工具，加QQ群，软件庞大的体积，遂放弃。在yolo的官方网站上，它们推荐的标注工具有三个，其中排名第一的是label-studio，csdn有位同志介绍到它，并且提供了docker：

label-studio docker镜像-CSDN博客

它是开源的工具。如果你已经有python环境，最简单的安装方法只有一行：

pip install label-studio 

安装过程会自行解决依赖项，注意，国内使用时尽量把标注源头移向国内镜像。

 1.1 label-studio的运行和必要的依赖项

运行label-studio也只需要一行：

label-studio

 它会以web服务器的方式工作：

标注可以识别到谁上传了资源，然后谁进行了标注。标注过程非常简便。

1.2 不依赖外网使用时，资源需要安装在redis上

windows环境下能部署整套标注环境，所需的redis：win32 or win64

注意，用redis这类内存数据库继续训练加速，始终会达到更快的速度。

然后在进行训练前，也尽量把训练的资源和结果放在固态盘，尽量加快训练的时间。

1.3 一个工程的极简配置

两处：

1.3.1 Label的配置

1.3.2 存储位置

2 yolo视频图片标记的几点注意事项

1. 注意要对画面中出现到的所有同类物体进行标准。遗漏标记可能会造成不可预知的后果。

2. 原始图片推荐使用OBB(Oriented Bounding Box)标记，就是倾斜的边界框，有些算法可以直接对此类标记对象进行处理。即使使用传统的矩形水平框，可以使用python对OBB标记进行转换。使用AABB(Axis-Aligned Bounding Box) 对OBB标记文件进行批量自动转换。

3. 推荐在Label的选择时，选择为对视频本身进行标注。
   
   稍稍用Python对导出的标注信息进行处理，就能够生成Yolo标准的静态图片格式。

4. 然后注意原始图片不需要裁剪规整。不同分辨率的图片，更有助于Yolo的训练。虽然最终的识别仍然是按照特定分辨率进行的。

5. 视频中截取标注资源时，尽量选择一些画面发生明显变化的关键帧。

6. 不同角度，如果物体本身有多个种类，或者各个视角呈现明显差异，建议分割为不同的识别对象。

7. label-studio目前不支持h265视频，可以使用ffmpeg转换：

8. label-studio进行视频标注时有一个非常棒的功能是提供了两个关键标注帧之间，同一个物体位置的平滑处理。

附录A label-studio 视频标注转换为yolo静态图片标准Python转换程序