胡明玉 夏 雪 杨晨雪 曹景军 柴秀娟*

(1.中国农业科学院 农业信息研究所,北京 100081; 2.农业农村部农业大数据重点实验室，北京 100081)

随着计算机视觉的发展，深度学习技术在图像分类[1-6]、目标检测[7-12]和图像分割[13-18]等研究中得到了广泛应用，农业领域中的应用包括作物及其器官分类、病虫害识别、果实识别和计数、植物识别、土壤覆盖分类、杂草识别、行为识别和分类、植物养分含量估计、植物叶片或种子表型分析等方面[19]。但由于深度学习方法需要大量的数据样本，在相关研究中普遍存在训练样本标注费时费力的问题。针对训练样本标注任务，已开发出多款图像标注工具。目前在目标检测研究中可使用的图像标注工具可分为客户端和WEB端2种。客户端标注工具包括Labelme、LabelImg、YOLO_mark、Sloth、RectLabel等，WEB端标注工具包括CVAT、VOTT、LabelBox、VIA、Boobs、Vatic等。现有的图像标注工具各具特点。从支持的标注图形的几何形状来看，除矩形外，Labelme、Sloth、RectLabel还支持采用点、线段、多边形对图像进行标注；从支持的标注信息存储文件导出格式来看，除Yolo_mark仅支持文本格式(专为YOLO系列的模型训练准备数据)外，其他标注工具均支持至少2种数据导出格式，例如COCO JSON格式、VOC[20]XML格式等；从支持标注的图像形式看，Labelme、Sloth、CVAT、VOTT、VIA不仅支持图片标注，还支持视频标注；Vatic是专为视频标注任务研发的标注工具。另外，部分标注工具实现了半自动图像标注功能，例如，Vatic采用了基于OpenCV的目标追踪算法，使得标注人员在标注视频图像时只需标注适量单帧图像即可实现对视频中所有单帧图像进行标注；……