一，前言

最近Open-mmlab开源了Playground项目，将最近引起CV界轰动的SAM(Segment Anything Model)模型和Open-mmlab多个视觉框架相结合，可实现多种视觉任务的自动标注，本文将采用Open-mmlab的Playground开源项目，使用SAM和LabelStudio，实现分割任务的半自动标注。

1，Playground官方GitHub地址：

https://github.com/open-mmlab/playground

2，SAM官方GitHub地址：https://github.com/facebookresearch/segment-anything

二，SAM+LabelStudio实现自动标注

经过实测，该项目在Windows10和Linux系统，使用CPU和GPU都可实现部署。

2.1，采用Anaconda创建虚拟环境(python3.9)

创建python3.9版本的基础虚拟环境，虚拟环境名称为rtmdet-sam

conda create -n rtmdet-sam python=3.9 -y

2.2，激活Anaconda虚拟环境

conda activate rtmdet-sam

2.3，下载playground的github库

git clone https://github.com/open-mmlab/playground

注：若因为网络问题git失败，可下载项目解压到本地

2.4，环境配置

2.4.1，安装Pytorch

1，Linux and Windows CUDA 11.3（GPU版本）

pip install torch==1.10.1+cu113 torchvision==0.11.2+cu113 torchaudio==0.10.1 -f https://download.pytorch.org/whl/cu113/torch_stable.html

2，Linux and Windows CPU only（CPU版本）

pip install torch==1.10.1+cpu torchvision==0.11.2+cpu torchaudio==0.10.1 -f https://download.pytorch.org/whl/cpu/torch_stable.html

3，OSX

pip install torch==1.10.1 torchvision==0.11.2 torchaudio==0.10.1

2.4.2，安装工具包

安装opencv-python，pycocotools，matplotlib，onnxruntime，onnx，这里需要注意以下Windows系统安装pycocotools时记得先安装git和visual studio。

pip install opencv-python pycocotools matplotlib onnxruntime onnx

2.4.3，安装SAM

pip install git+https://github.com/facebookresearch/segment-anything.git

注：若因为网络问题git失败，可下载项目解压到本地

2.4.4，下载SAM预训练权重

可下载以下几个预训练权重文件，文件从小到大依次排列，越大的模型分割效果越好，但是分割时间也越长，建议先使用最小的模型试试效果，目前实测最小的模型分割效果也很不错。

1，sam_vit_b_01ec64.pth

2，sam_vit_l_0b3195.pth

3，sam_vit_h_4b8939.pth

wget https://dl.fbaipublicfiles.com/segment_anything/sam_vit_b_01ec64.pth
wget https://dl.fbaipublicfiles.com/segment_anything/sam_vit_l_0b3195.pth
wget https://dl.fbaipublicfiles.com/segment_anything/sam_vit_h_4b8939.pth

2.4.5，安装label-studio

pip install label-studio

2.4.6，安装label-studio-ml-backend

pip install label-studio-ml

2.5，启动SAM后端并加载模型

1，cd到label_anything目录下

cd label_anything

2，启动SAM后端并加载模型

label-studio-ml start sam --port 8003 --with sam_config=vit_b sam_checkpoint_file=.\sam_vit_b_01ec64.pth out_poly=True out_mask=True out_bbox=True device=cpu

注：

1，sam_checkpoint_file=.\sam_vit_b_01ec64.pth，这里为SAM预训练模型路径，指定为你自定义的路径；

2，device=cpu使用CPU，device=cuda:0使用GPU；

3，out_poly=True 表示保存结果的时候会保存分割的polygon标注信息；

4，out_mask=True 表示保存结果的时候会保存分割的Mask信息；

5，out_bbox=True 表示保存结果的时候会保存分割的边界框标注信息；

6，sam_config=vit_b和使用的模型预训练权重相对应

此时，SAM后端推理服务已经启动。接下来，您可以在Label-Studio Web系统中配置http://localhost:8003后端推理服务。上述终端窗口需要保持打开状态。

2.6，启动Label-Studio的Web服务

1，若需要使用vit-h大模型，则需要设置以下环境变量，但是大模型加载时间很长，容易导致与后端连接超时。如果不使用则跳过该步骤，不然会导致与后端连接超时。

Linux requires the following commands
export ML_TIMEOUT_SETUP=40
Windows requires the following commands
set ML_TIMEOUT_SETUP=40

2，启动Web服务

label-studio start

打开浏览器并访问http://localhost:8080/以查看Label-Studio平台界面，一般会自动跳转。

2.7，注册或登录

启动Web服务到Label Studio平台后，如果之前没有注册，需要进行注册再登陆。

2.8，新建一个项目

2.9，导入本地数据

或者下载官方提供的数据：

wget https://download.openmmlab.com/mmyolo/data/cat_dataset.zip

2.10，设置标签

在Settings/Labeling界面中配置Label-Studio关键点、掩码和其他标注信息。在示例图中，KeyPointLabels用于关键点标注，BrushLabels用于掩码标注，PolygonLabels用于边界多边形标注，RectangleLabels用于矩形标注。这个例子使用了两个类别，cat和person，自定义数据集的话只需要将类别改为你自定义的类别即可。

将上面的XML复制并添加到Label-Studio，然后单击Save。

2.11，添加OpenMMLabPlayGround后端推理服务

设置并单击Add Model添加openmmlabgame后端推理服务。为SAM后端推断服务设置URL，启用Use for interactive preannotations，即自动标注开关，并单击Validate和Save。

出现以下界面说明添加后端推理服务成功

注：如果您在此步骤中无法成功执行，可能是因为你使用的模型和你使用的sam_config不匹配造成的，详情可以看一下2.5和2.6中，同时请检查在步骤2.6中有没有配置环境变量，使用vit_b模型，是不需要配置的，如果配置了，请重新启动SAM后端服务，然后跳过配置环境变量，直接启动服务。

2.12，开始半自动标注

回到项目界面，单击Label开始标注

要使用自动标注功能，需要打开Auto- annotation开关，并建议勾选Auto accept annotation建议选项。然后单击右侧工具栏最下面的按钮，可以切换点、框、矩形框等模式，默认为点模式，并从下面的标签选项中选择你想要标注的类别，在本例中选择“猫”。

1，点模式（在目标中画个点即可自动标注）

2，矩形框模式（在目标中画个框即可自动标注）

注：在切换点模式或者框模式的时候，左下角那个选择类别的地方，有两行选择类别的小按钮，是按照点，框模式的顺序排列的，你选择什么模式，你选择下面的类别的时候也要按顺序来，比如选择的点模式，就选择第一行按钮的类别，选择框模式，就选择第二行按钮的类别

2.13，保存标注结果

标注完所有图片后，点击export，以COCO格式（可选）导出带标注的数据集，生成带标注的压缩文件。

你可以使用VS Code打开解压后的文件夹，看到带标注的数据集，其中包括图像和带标注的JSON文件。

最后，若文章有任何问题，欢迎大家批评指正，可在评论区留言一起讨论！