1.brat 淘气鬼快速标注工具-0007-容器部署-上
2.目标检测常用数据集格式
3.GitHub项目分享·一款开箱即用的标注标注标注工具
4.Rnote - 简洁优雅、免费开源的工具工具草图手绘、手写标注笔记软件，源码源码跨平台支持 windows / mac / linux 系统

brat 淘气鬼快速标注工具-0007-容器部署-上

       研究一下淘气鬼快速标注工具~

       （1）本系列文章

       格瑞图：brat 淘气鬼快速标注工具--迷你简介

       格瑞图：brat 淘气鬼快速标注工具--特性介绍-上

       格瑞图：brat 淘气鬼快速标注工具--特性介绍-下

       格瑞图：brat 淘气鬼快速标注工具--安装教程-上

       格瑞图：brat 淘气鬼快速标注工具--安装教程-中

       格瑞图：brat 淘气鬼快速标注工具--安装教程-下

       1、容器部署

       前面翻译的工具工具都是官方文档，从这里开始实际操作一下~

       搜了一下 hub.docker 用户 cassj 有写好的源码源码个人众包网站源码 brat 镜像

       Docker Hub - 镜像下载及说明

       github.com/cassj/brat-d... - 镜像构建源码

       2、镜像仓库描述（1）注意 - NOTE

       I am no longer doing anything with brat and am not maintaining this 标注标注at all.

       我不再做任何关于淘气鬼的事情了，并且不再维护这个了。工具工具

       （2）淘气鬼容器 - brat docker

       This 源码源码is a docker container deploying an instance of brat.

       这是部署淘气鬼实例的容器镜像。

       （3）安装 - Installation

       You will need two volumes to pass annotation data and user configuration to the container. Start by creating a named volume for each of them like this:

       需要为容器挂载两个卷，标注标注一个用于标注数据，工具工具一个用于用户配置。源码源码可以这样创建命名卷：

       The标注标注brat-data volume should be linked to your annotation data, and the brat-cfg volume should contain a file called users.json. To add multiple users to the server use users.json to list your users and their passwords like so:

       b-d 卷应该连接到标注数据，b-c 卷应该包含一个 u.j 配置文件。工具工具要添加多个用户到服务器，源码源码需要使用 u.j 文件列出用户和其密码，如下：

       The data in these directories will persist even after stopping or removing the container. You can then start another brat container as above and you should see the same data. Note that if you are using docker < 1.9.0 named volumes are not available and you'll have to use a data-only container and --volumes-from instead.

       这些目录中的数据在容器停止或者删除后仍可以持久化。像上面那样可以新启动一个容器还可以看到同样数据。注意如果使用容器 1.9.0 版本，命名卷将不可用。必须使用仅数据容器和 --v-f 选项。王牌柱指标源码

       You can also add data and edit the users from within the container. To add some data directly inside the container do something like:

       在容器内部可以添加数据和编辑用户。要在容器内直接添加数据，可以这么做：

       Or, if you have data on the host machine, you can check where docker is keeping the named volume with:

       或者如果宿主机上有数据，可以使用这个命令检查容器是否保留了命名卷：

       and you can just copy the data into there from your host.

       然后可以从宿主机拷贝数据到那里。

       （4）运行 - Running

       To run the container you need to specify a username, password and email address for BRAT as environment variables when you start the container. This user will have editor permissions.

       要运行容器需要指定用户、密码和邮件，作为环境变量在启动容器时传递。该用户必须有编辑权限。

       3、后记

       先翻译一下镜像文件

       下篇部署一个容器耍

       ~

       图源~

目标检测常用数据集格式

       我们常需利用标注工具如LabelImg、LabelMe等制作数据集，或使用开源数据集进行目标检测模型训练。这些数据集格式多样，不具一致性，目标检测数据格式又相对复杂。因此，为兼容框架和源码，我们通常需将自定义数据集转换为标准格式，如COCO格式和VOC格式，这两种格式因其知名度和解析库而广受欢迎。presto源码编译失败许多开源数据集都提供格式转换工具，而使用主流标注工具自行标注的数据集也已有许多成熟的开源转换代码。本文旨在介绍VOC和COCO数据集的格式，并说明如何组织数据集目录结构以方便转换。

       PASCAL VOC数据集源自同名竞赛，始于年，结束于年。虽然不是特别大型的目标检测数据集，但在COCO诞生前，它是非常流行的目标检测任务基准数据集。主要数据集为VOC和VOC，它们的格式相同。以下以VOC为例进行说明。

       根级目录下有5个目录：JPEGImages、Annotations、ImageSets、Layout和Action。JPEGImages目录存放所有，Annotations存放对应的XML标注文件，ImageSets文件夹下的eclipse里看源码txt文件用于数据集划分，Layout和Action文件夹分别按人体部位和动作类别分类。Segmentation文件夹存放分割数据集划分。对于通用目标检测任务，我们通常只需关注Main文件夹下的四个总体划分文件。

       VOC数据集的标注格式中，最外层为annotation标签，包含图像所在文件夹、文件名、来源、图像尺寸等信息，以及多个object标签，每个标签包含一个目标对象的信息。

       制作自定义VOC格式的数据集时，需构建三个文件夹：JPEGImages、Annotations和ImageSets/Main，其中Main文件夹存放train.txt、val.txt和test.txt等数据集划分文件。构建VOC格式数据集相对简单，因为LabelImg等工具生成的xml标注就是VOC格式所需的。

       COCO数据集是商品介绍页源码微软构建的一个大型目标检测基准数据集，包括检测、分割、关键点估计等任务。本文以COCO数据集为例进行说明。COCO数据集的关键文件包括unlabeled、train、val、test和annotations文件夹。annotations文件夹包含各种类型的标注文件，如instances_train.json和instances_val.json。

       COCO数据集的标注文件是json格式，包含info、licenses、images、categories和annotations五个部分。images部分包含信息，categories部分包含类别信息，annotations部分包含标注信息，如id、图像id、类别id、分割级别标注和边界框标注等。

       构建COCO数据集时，只需生成子集文件夹和标注文件夹，标注文件夹每个json对应一个子集的标注。VOC和COCO格式也可以互相转换，转换代码可在Github上搜索。

       YOLO格式虽然不常用，但其标注格式与VOC类似，为txt格式，每行包含一个目标框，空格分隔的数值代表目标框的位置和大小。

       本文介绍了目标检测中常见的两种数据集格式，VOC和COCO，理解这些格式有助于使用目标检测源码和框架。

GitHub项目分享·一款开箱即用的标注工具

       分享一款强大的标注工具——X-AnyLabeling，无需安装即可使用，尤其适合医学图像标注和分割。本文将围绕该工具的亮点功能进行介绍，帮助用户快速理解。

       核心亮点

       支持图像和视频：一键导入并自动标注，集成ByteTrack和OC-Sort算法，提供MOT格式输出。

       一键导出：支持COCO-JSON、YOLOv5-TXT等多种格式，适应不同框架，简化标注结果应用。

       跨平台兼容：适应Windows、Linux和MacOS，支持GPU加速，提升标注效率。

       灵活标注：单帧或批量预测，包括多边形、矩形等多样化的标注模式。

       SOTA算法集成：包括YOLO、SAM等，用户可自定义模型，满足不同任务需求。

       零样本目标检测：Grounding-DINO和Grounding-SAM，根据文本描述自动标注。

       Image Captioning：RAM模型支持图像描述生成，提供全面信息。

       多标签分类和对象检测：车辆、行人属性标注，以及OBB检测模型。

       多目标跟踪：集成ByteTrack和OC-Sort，支持二次分类。

       使用指南

       无需编程基础，两种方式轻松上手：直接下载GUI版本或下载源码自行编译。自定义快捷键和编译成可执行文件也有详细教程。

Rnote - 简洁优雅、免费开源的草图手绘、手写标注笔记软件，跨平台支持 windows / mac / linux 系统

       Rnote，一款专为电脑打造的简洁而强大的手绘、手写标注工具，它支持Windows、Mac和Linux系统，让你的笔记创作不再受平台限制。它以矢量图形为基础，提供流畅的手写体验，用户可以根据个人习惯调整画笔压力，实现精确的绘图和注释。

       Rnote的界面设计简洁直观，无论是做PDF书籍的标注，还是绘制专业设计草图，都非常得心应手。它支持多种形状和图表插入，以及高度可定制的纹理笔触，让你的笔记和设计工作更加专业且清晰。最令人惊喜的是，由于基于矢量图形，无论放大多少倍，笔记始终清晰无损，无论是导出PDF还是SVG，都能保持高质量输出。

       此外，Rnote的无限画布功能给予用户无尽的创作空间，让你可以自由地记录和表达想法。虽然其官网在国内访问可能不稳定，但可以通过Github下载Windows版本，Mac版本则需从开发者编译的项目中获取，我会提供已打包的最新版本供你下载，只需注意选择适合你的芯片版本。

       最重要的是，Rnote作为一款开源软件，遵循GPL-3.0协议，完全免费且开放源代码，你可以直接从Github获取并使用。如果你想体验这种高效又便捷的手写笔记方式，Rnote无疑是一个绝佳的选择。