15个值得推荐的开源免费图像标注工具

图像标注是将标签或描述性信息与图像相关联的过程，以赋予图像内容更深层次的含义和解释。这一过程对于机器学习至关重要，它有助于训练视觉模型以更准确地识别图像中的各个元素。通过为图像添加标注，使得计算机能够理解图像背后的语义和上下文，从而提高对图像内容的理解和分析能力。图像标注的应用范围广泛，涵盖了许多领域，如计算机视觉、自然语言处理和图

视觉模型具有广泛的应用领域，例如，辅助车辆识别道路上的障碍物，帮助疾病的检测和诊断通过医学图像识别。

本文主要推荐一些较好的开源免费的图像标注工具。

1.Makesense.ai

http://makesense.ai/

https://github.com/SkalskiP/make-sense

Makesense.ai是一个免费的在线跨平台工具，用于标记照片，非常适合小型计算机视觉深度学习项目。它简化了数据集的准备，标签可以以多种格式下载。该应用程序使用TypeScript编写，基于React/Redux框架开发。它集成了YOLOv、在COCO数据集上预训练的SSD和PoseNet等先进的AI模型，可以自动化图像标注。其中AI功能基于TensorFlow.js框架，因为照片不需要传输到服务器，可确保数据隐私安全。

2.Labelme

https://github.com/labelmeai/labelme

Labelme是一个基于Python的图像标注工具，支持各种标注类型，并提供自定义GUI。可以导出VOC和COCO格式的数据集，用于语义和实例分割。

功能特征：

• 支持多边形、矩形、圆形、直线、点和图像级标志注释
• 适用于Ubuntu、macOS和Windows
• 标注信息保存为JSON文件
• 高级用法示例
• 将标记分配给整个图像
• 将标注指定给单个面

3.Xtreme1

https://github.com/xtreme1-io/xtreme1

Xtreme1是一个用于标注多模式训练数据的开源平台，提高了数据注释、管理和本体管理的效率。其人工智能工具旨在提高2D/3D对象检测、3D实例分割和激光雷达相机融合项目的效率。

功能特征：

• 支持图像、3D LiDAR和2D/3D传感器融合数据集的数据标注
• 内置预标记和交互式模型支持2D/3D对象检测、分割和分类
• 可配置的本体中心，用于一般类（具有层次结构）和属性，用于模型训练
• 数据管理和质量监测
• 查找和修复标签错误的工具
• 模型结果可视化以协助模型评估
• 用于大型语言模型的RLHF（beta版）
• 易于使用Docker或从源代码安装

4.Label Studio

https://github.com/HumanSignal/label-studio

Label Studio是一个可用于标记数据类型（如：音频、文本、图像、视频和时间序列）的开源工具。

• 它具有友好的用户界面，可以导出标准化格式的数据，支持集成机器学习模型，并可针对特定项目进行定制。
• 它基于Apache-2.0开源许可证。

5.LOST

https://github.com/l3p-cv/lost

LOST（Label Object and Save Time）是一个基于Web的图像协同标注工具。它提供了预先构建的注释管道，无需编程知识即可进行即时图像注释，但也允许用户定义注释管道。

该应用程序是可扩展的，可以轻松连接到外部文件系统，如S3 Bucket或Azure Blobstorage。可以在本地或Web服务器上设置，并支持组织建立标签树，监控标注过程和浏览器内标注。

关键特征：

• 基于Web的协同图像标注框架
• 用于即时图像注释的预构建注释管道
• 自定义的标注管道
• 可扩展的应用
• 轻松连接到外部文件系统，如S3 Bucket或Azure Blobstorage
• 在浏览器中实现标注过程的可视化
• 可在本地或Web服务器上进行配置
• 支持组织标签树
• 监控标注过程
• 支持在浏览器内标注
• 能够对半自动标注管道进行建模
• 标注建议生成
• 单图像标注工具（SIA），用于标注bbox、多边形、点或线
• 多图像标注工具（MIA），用于标注整个图像簇
• 导出标注函数
• 基于个人和项目的标注统计
• 用于标签组织的彩色标签树
• 查看标注功
• 管道项目进出口
• 管道项目共享
• 集成Jupyter-Lab，轻松开发流水线
• LDAP集成
• 电子邮件通知
• 可扩展设计，跨多台机器分布密集型计算过程

6.CVAT

https://github.com/opencv/cvat

CVAT（Computer Vision Annotation Tool ）是一种用于视频和图像标注的交互式工具，在计算机视觉中广泛使用。它支持以数据为中心的人工智能方法，可以免费在线使用，也可以订阅其他功能。CVAT也可以私有化安装，并为高级功能提供企业支持。

7.Gromit-MPX

https://github.com/bk138/gromit-mpx

Gromit-MPX是一个Unix桌面环境下的标注工具，用户可以直接在屏幕上绘制，突出显示感兴趣的点来增强演示文稿。

8.MyVision

https://github.com/OvidijusParsiunas/myvision

MyVision是一个免费的在线图像标注工具，用于生成计算机视觉的机器学习训练数据。支持绘制边界框和多边形，用于对象标注、多边形操作，并支持各种数据集格式。它还支持使用”COCO-SSD”模型进行自动标注，可以在本地操作以确保数据隐私安全。

支持的数据格式：

功能特征：

• 为对象标注绘制边界框和多边形
• 使用要素进行面操作以编辑、移除和添加新点
• 支持各种数据集格式
• 支持使用“COCO-SSD”模型自动标注
• 在本地运行以维护数据隐私
• 允许导入和继续处理现有批注项目
• 可用于将数据集从一种格式转换为另一种格式

9.LabelImg

https://github.com/HumanSignal/labelImg

LabelImg是一个流行的图像标注工具，目前已加入Label Studio社区，不再积极开发。Label Studio是一个灵活的开源数据标签工具，适用于各种类型的数据，包括图像，文本，音频，视频和时间序列数据。

LabelImg中的标注信息以PASCAL VOC格式保存，另外，它还支持YOLO和XML格式。

10.Coco Annotator

https://github.com/jsbroks/coco-annotator

COCO Annotator是一个基于Web的高效且多功能的图像标记工具，旨在为训练图像定位和对象检测创建数据集。

它提供的功能包括段标记、对象实例跟踪以及标记具有断开连接的可见部分的对象。它通过直观和可定制的界面以COCO格式存储和导出注释。

功能特征：

• 基于We的工具
• 高效和通用的图像标记
• 专为图像定位和物体检测的训练数据创建而设计
• 段标号
• 对象实例跟踪
• 标记具有断开的可见部分的对象
• 以COCO格式存储和导出注释
• 直观和可定制的界面
• 允许用户手动定义图像中的区域
• 创建文本说明
• 通过边界框、遮罩工具或标记点进行对象标记
• 自由形式曲线或多边形标注
• 直接导出为COCO格式
• 分割对象的
• 添加关键点的能力
• 用于数据分析的有用API端点
• 导入COCO格式的数据集
• 将断开连接的对象标注为单个实例
• 同时使用任意数量的标签标记图像片段
• 允许为每个实例或对象自定义元数据
• 高级选择工具，如DEXTR、MaskRCNN和Magic Wand
• 用半训练模型标注图像
• 使用Google图像生成数据集
• 用户认证系统

11.Universal Data Tool

https://github.com/UniversalDataTool/universal-data-tool

Universal Data Tool是一个多功能的应用程序，用于编辑和标注图像、文本、音频和文档等数据类型。它支持图像分割、文本分类和音频转录等任务。该工具支持实时协作，可运行于各种平台，并支持多种数据格式。

12.RectLabel

https://github.com/ryouchinsa/Rectlabel-support

Label是一个离线图像标注工具，可用于对象检测和分割。

关键特征：

• 使用Segment Anything模型标记面和像素
• 使用Core ML模型自动标记
• 行和词的自动文本识别
• 使用孔标记面
• 标注三次贝塞尔曲线、线段和点
• 航空影像中面向标签的边界框
• 使用骨架标记关键点
• 使用画笔和超像素标记像素
• 快速设置对象、属性、热键和标签
• 在图库视图中搜索对象、属性和图像名称
• 导出为COCO、Labelme、COML、YOLO、DOTA和CSV格式
• 导出索引颜色蒙版图像和灰度蒙版图像
• 视频到图像帧、增强图像等。

13.OpenLabeling

https://github.com/Cartucho/OpenLabeling

OpenLabeling是一个用于标注图像和视频的开源工具。它支持PASCAL VOC和YOLO Darknet等多种格式。

该工具已被用于：深度学习对象检测模型、用于视觉对象跟踪的干扰感知Siamese网络、边界框跟踪和用于视频对象跟踪的OpenCV跟踪器。

14.bbox-visualizer

https://github.com/shoumikchow/bbox-visualizer

bbox-visualizer可以帮助用户在对象周围绘制边界框，消除了对标签定位的复杂数学计算的需要。它提供了各种可视化类型，用于在识别后标记对象。边界框点的数据格式为：(xmin, ymin, xmax, ymax)。

15.PixelAnnotationTool

https://github.com/abreheret/PixelAnnotationTool

PixelAnnotationTool是一个可以使用OpenCV的分水岭算法快速手动注释目录中图像的工具。

用户可以用画笔手动标记区域，然后启动算法。如果初始分割需要校正，用户可以在错误区域上重新绘制新的区域标注。