在人工智能行业有这么一句话：“深度学习有多智能、背后就有多少人工”。这句话直接说出了深度学习从业者心中的痛处，毕竟模型的好坏数据占着很大的因素，但是数据的标注成本却让很多从业者感到头疼。在标注中，矩形框标注还相对简单，但是对于像素级别的分割标注，往往需要大量的点将目标轮廓抠出来，这需要大量的时间和人力成本去完成。

近期PaddleSeg团队发布了业界首个高性能的交互式分割自动标注工具—EISeg，什么是交互式分割呢？它其实就是先用预训练模型对图像进行预标注，对于标注不精准、有误差的地方，再通过一系列绿色点（正点）和红色点（负点）对目标对象边缘进行精准的调整，从而实现精细化标注，高效而实用。

详细的产品体验链接，请参考：
https://github.com/PaddlePaddle/PaddleSeg/tree/release/2.2/contrib/EISeg

当然大家会好奇，交互式分割算法是怎么实现的？在这里和大家介绍一下：
交互式分割以用户的标注作为指导信息，根据用户的需求选取所需的前景或物体区域，并通过多次交互的方式得到灵活的标注结果，为图片标注提供了一种半自动化标注策略，与语义分割相比，交互式分割不仅仅需要传入图片和标签，还需要输入交互信息来进行训练。

为了给大家带来更好的标注体验，开发团队在多个模型上不断尝试如何获取高精度的标注结果。经过大量测试发现，HRNet+OCRNet模型结构能够更好的将交互点击信息传入到深层的特征中，并且保留分割结果的细节信息，从而使模型对交互信息的反应更精确、更灵活。值得一提的是：为了同时保证模型的高精度和轻量化，EISeg的交互式分割算法采用HRNet18和NRNet18-Small两种Backbone，而OCRNet的通道也可以进行不同数量的配置，得到计算量大小不同的模型，更好的满足用户不同场景的需求。

模型结构图

当然EISeg 提供的不仅有预训练算法和交互式分割操作方式，更多功能逐一为大家揭晓！

支持多种图像及标注格式 满足多种视觉任务

EISeg不仅仅支持输出mask掩膜输出，还支持多边形等多种标注生成。同时支持伪彩色图、灰度图，以及json、coco等数据格式，用户还可对角点进行增删和局部修正。这样标注出来的数据，不仅仅可以做语义分割，还可以用做实例分割任务，一举两得！！！

超多人性化操作快捷键 让标注效率一提再提！

为了进一步提高标注效率，EISeg提供了超多人性化设计的快捷键：

那到底标注效率有多快呢？我们具体来做个测试

传统方法 1 分 7 秒 

EISeg 9 秒

可以看到，传统方法使用的标注时间是1分07秒，EISeg 使用的只有 9 秒！使用的时间是传统方式的 1/7 还不到！EISeg 的交互式分割模型的标注效率是远远超过传统标注的！

丰富的标注模型适合多种场景

EISeg 开放了在 COCO+LVIS 和大规模人像数据上训练的四个标注模型，满足通用场景和人像场景的标注需求。其中模型结构对应 EISeg 交互工具中的网络选择模块，用户需要根据自己的场景需求选择不同的网络结构和加载参数。

另外，为了更好的满足用户分割场景的多样性，PaddleSeg 团队还在持续建设其他垂类领域的交互式模型，例如医疗和遥感图像标注。期待有相关需求的开发者们一起参与开源共建中来！

心动不如行动，大家可以直接前往Github地址获得完整开源项目代码，记得Star收藏支持一下哦：
https://github.com/PaddlePaddle/PaddleSeg