想必大家在做关于深度学习图像处理领域，由于深度学习是数据驱动，所以带有标签的大数据是必不可少的，在做一些检测和分割任务时，如果是一些官方数据的话，那么你 很幸运，不用为数据标注发愁；而当你处理自己任务的时候，这时你就要自己标注数据了，贼麻烦。所以使用一些开源的小软件可以方便快捷的标注数据。今天就为大家整理 一下常用的标注工具
分割任务
1. Labelme
Labelme适用于图像分割任务的数据集制作：
它来自下面的项目：
https://github.com/wkentaro/labelme
该软件实现了最基本的分割数据标注工作，在save后将保持Object的一些信息到一个json文件中.
同时该软件提供了将json文件转化为labelimage的功能：
2. IAT – Image Annotation Tool
IAT适用于图像分割任务的数据集制作：
它来自下面的项目：
http://www.ivl.disco.unimib.it/activities/imgann/
比较有特色的是，它支持一些基础形状的选择，比如要分割的物体是个圆形的，那么分割时可以直接选择圆形，而不是用多边形选点。
检测任务
1. labelImg
Labelmg适用于图像检测任务的数据集制作：
它来自下面的项目：
https://github.com/tzutalin/labelImg
其中标签存储功能和“Next Image”、“Prev Image”的设计使用起来比较方便。
该软件最后保存的xml文件格式和ImageNet数据集是一样的。
2. yolo_mark
yolo_mark适用于图像检测任务的数据集制作：
它来自于下面的项目：
https://github.com/AlexeyAB/Yolo_mark
它是yolo2的团队开源的一个图像标注工具，为了方便其他人使用yolo2训练自己的任务模型。在linux和win下都可运行，依赖opencv库。
3. Vatic
Vatic适用于图像检测任务的数据集制作：
它来自下面的项目：
http://carlvondrick.com/vatic/
比较特别的是，它可以做视频的标注，比如一个25fps的视频，只需要隔100帧左右手动标注一下物体的位置，最后在整个视频中就能有比较好的效果。 这依赖于软件集成的opencv的追踪算法。
4. Sloth
Sloth适用于图像检测任务的数据集制作：
它来自下面的项目：
https://github.com/cvhciKIT/sloth
在标注label的时候，该软件可以存储标签，并呈现标注过的图片中的bbox列表。
5. Annotorious
Annotorious适用于图像检测任务的数据集制作：
它来自下面的项目：
代码写的相当规范，提供了相应的API接口，方便直接修改和调用。
6. RectLabel
RectLabel适用于图像检测任务的数据集制作：
它来自下面的项目：
这是一个适用于Mac OS X的软件，而且可以在apple app store中直接下载。
7. VoTT
VoTT适用于图像检测任务的数据集制作：
它来自下面的项目：
https://github.com/Microsoft/VoTT/
微软的开源工具，既可以标注视频，也可以标注图片，而且支持已有模型的集成，功能强大。
8. images_annotation_programme
images_annotation_programme适用于图像检测任务的数据集制作：
它来自下面的项目：
https://github.com/frederictost/images_annotation_programme
其他
ImageNet-Utils
https://github.com/tzutalin/ImageNet_Utils
labeld
https://github.com/sweppner/labeld
VIA
http://www.robots.ox.ac.uk/~vgg/software/via/
ALT
https://alpslabel.wordpress.com/2017/01/26/alt/
FastAnnotationTool
https://github.com/christopher5106/FastAnnotationTool
LERA
https://lear.inrialpes.fr/people/klaeser/software_image_annotation
原文链接：
