什么是DarkMark？ DarkMark是一个C ++ GUI工具，用于对神经网络中使用的图像进行注释。 它是专门为与神经网络框架一起使用而编写的，并具有为Darknet和YOLO量身定制的一些功能。 首次启动DarkMark时，可以指定Darknet样式的神经网络来加载所选项目。 DarkMark使用该神经网络来帮助您标记更多图像。 存在几种不同的查看功能，可以快速查看所有注释并突出显示一些常见错误。 准备就绪后，DarkMark也可用于生成所有Darknet和YOLO（或其他）配置文件，以训练新的神经网络。 这包括对.cfg文件以及.data，培训和验证.txt文件所需的修改。 DarkMark还将创建一些Shell脚本以开始培训并在计算机之间复制必要的文件。 执照 DarkMark是开源的，并使用GNU GPL v3许可证发布。 有关详细信息，请参见license.txt。

计算机视觉注释工具（CVAT） CVAT是用于计算机视觉的免费，在线，交互式视频和图像注释工具。 我们的团队正在使用它来注释数百万个具有不同属性的对象。 许多UI和UX决策都是基于专业数据注释团队的反馈。 在线尝试 。 文献资料 截屏 支持的注释格式 单击“上传注释”和“转储注释”按钮后，可以选择格式。 数据集框架允许通过其命令行工具和Python库进行其他数据集转换。 有关支持的格式的更多信息，请参阅。 注释格式 进口 出口 X X X X X X X 分割蒙版 X X X X X X X X X X X X X X X X 用于自动标记的深度学习模型

ImageJ / Fiji Roi一键式工具 提供附加工具栏ROI工具以及预定义的自定义ROI形状的工具集。 使用1-Click ROI，单击图像可生成以单击点为中心的预定义ROI。 如果选择了该选项，则将生成的ROI添加到Roi管理器，为所选区域运行命令run Measure ，如果使用了堆栈，则显示下一个图像。 在最新版本中，保持按下鼠标左键可以预览roi并在其中移动。 点击释放后，广告即会被“验证”。 安装 在斐济，只需激活ROI一键式工具更新站点。 了解如何。 在ImageJ中，将文件“ Roi 1-Click Tools.ijm”复制到文件夹ImageJ \ macros \ toolsets中。 要显示工具栏，请单击ImageJ工具栏右侧的>> ，然后选择ROI一键式工具条目。 注意：为获得最佳功能，宏工具集要求ImageJ> = 1.52r。 配置 双击任何ROI一

直肠标签支持 这是“ RectLabel用于对象检测”的支持页面。 将问题发布到我们的Github问题页面 有问题吗？ 发送电子邮件至 谢谢。 主要特点 绘制边界框，多边形，三次贝塞尔曲线和直线 用骨架绘制关键点 使用画笔和超像素工具标记像素 使用Core ML模型自动标记图像 快速设置对象，属性，热键和标签 以PASCAL VOC XML格式读写 导出为YOLO，创建ML，COCO JSON和CSV格式 导出索引颜色蒙版图像和分离的蒙版图像 屏幕截图

自动车牌识别 :India: 表中的内容 演示版 总览 这是一个分为四个阶段的对象检测项目，主要致力于检测车辆的车牌，从而读取车牌号并将其保存在文本文件中，以供有关当局使用。该深度学习项目使用YOLOv4（您只看一次）作为神经在名为Darknet的框架之上构建的网络架构，然后使用Tensorflow Lite进行部署准备就绪，使其兼容在各种边缘设备中使用，例如android，iOS，树莓派等。 动机 由于许多实际应用，例如自动收费，交通执法，私人空间出入控制和道路交通监控，自动车牌识别（ALPR）一直是研究的一个频繁主题。 ALPR系统通常分为三个阶段：车牌（LP）检测，字符分割和字符识别。 较早的阶

标签 使用Python进行图像多边形注释 | | 描述 Labelme是受启发的图形图像注释工具。 它是用Python编写的，并将Qt用于其图形界面。 实例分割的VOC数据集示例。 其他示例（语义分割，bbox检测和分类）。 各种图元（多边形，矩形，圆形，直线和点）。 产品特点 多边形，矩形，圆形，直线和点的图像注释。 （） 图像标记注释，用于分类和清洁。 （ ） 视频注释。 （） GUI自定义（预定义标签/标志，自动保存，标签验证等）。 （ ） 导出VOC格式的数据集以进行语义/实例分割。 （，） 导出COCO格式的数据集以进行实例细分。 （） 要求 Ubunt

Anno-Mage：半自动图像注释工具 具有张量流和keras对象检测模型的半自动图像注释工具箱。 安装 克隆此存储库。 在存储库中，执行pip install -r requirements.txt 。 请注意，由于与tensorflow安装方式不一致，因此此软件包未定义对tensorflow的依赖关系，因为它将尝试安装tensorflow （至少在Arch Linux上会导致错误的安装）。 请确保已根据您的系统要求安装了tensorflow 。 另外，请确保已安装Keras 2.1.3或更高版本，并且已安装OpenCV3.x。 a）对于模型-下载并将其保存在/ snapshots /

最近的研究表明，稀疏表示（SR）可以很好地解决许多计算机视觉问题，并且其内核版本具有强大的分类能力。 在本文中，我们解决了协作SR在半监督图像注释中的应用，该方法可以增加标记图像的数量，以进一步用于训练图像分类器。 给定一组标记的（训练）图像和一组未标记的（测试）图像，通常的SR方法（我们称为正向SR）用于用几个标记的图像表示每个未标记的图像，然后根据这些标记的注释的注释。 但是，就我们所知，SR方法是在相反的方向上进行的，即我们称呼后向SR来用几个未标记图像表示每个标记图像，然后根据标记图像的注释对任何未标记图像进行注释，即未标记图像由后向SR选择表示，到目前为止尚未解决。 在本文中，我们探