前言#
本文簡單記錄介紹一下 SALT 的使用情況。
SALT 是基於 Meta 最近發布的 Segment-Anything 模型來標記圖像並以 COCO 格式保存標註數據的通用標註工具。
正文#
一、SALT 介紹#
SALT 基於Segment-Anything模型實現標記圖像並以 COCO 格式保存標註數據，得益於 SAM 的強大分割能力，可以幫助標註者更輕鬆精確的標註想要的任何實體。
二、SALT 安裝#
- 安裝 sam (環境要求
python>=3.8,pytorch>=1.7以及torchvision>=0.8)
git clone https://github.com/facebookresearch/segment-anything.git
cd segment-anything && pip install -e .
安裝好後，下載默認模型參數：vit-h，放置到自定義位置。
- 安裝 salt
git clone https://github.com/anuragxel/salt.git
cd salt
- 轉換數據集
準備好待標註的數據集dataset，將圖片放入dataset/images，並新建文件夾dataset/embeddings；
運行命令：
python helpers/extract_embeddings.py --checkpoint-path “自定義的sam模型參數文件路徑” --dataset-path “待標註的數據集路徑”
- 轉換模型
運行命令：
python helpers/generate_onnx.py --checkpoint-path “自定義的sam模型參數文件路徑” --onnx-models-path “自定義轉換的onnx模型文件路徑” --dataset-path “待標註的數據集路徑”
- 開始標註
python segment_anything_annotator.py --onnx-models-path “自定義轉換的onnx模型文件路徑” --dataset-path “待標註的數據集路徑” --categories “需要標註的對象列表，比如cat,dog”
三、SALT 使用#
標註家具
標註人物
四、總結#
安裝使用上沒有難度，需要本地有塊 6G 以上顯存的顯卡。
標註效果比手動標註更精確更快速，可以實現點擊標註，框選標註等。
題外話：Meta 發布了相當多有價值的項目，包括 SAM，DINOv2 和 "洩露" 的 LLaMa 語言模型等等，還有深度學習研究必備的 Pytorch。
最後#
參考文章：
聲明#
本文僅作為個人學習記錄。
本文與hblog保持同步。