大家好，又见面了，我是你们的朋友全栈君。

对于监督学习算法而言，数据决定了任务的上限，而算法只是在不断逼近这个上限。世界上最遥远的距离就是我们用同一个模型，但是却有不同的任务。但是数据标注是个耗时耗力的工作，下面介绍几个图像标注工具：

团队协同

CVAT

多用户在线协同
用户管理，权限设置
检测标注
多目标跟踪标注
分类，分割，关键点标注
~~语音标注~~
标注的便捷性（快捷键，N）
是否支持辅助标注
工作量统计

LabelStudio

多用户在线协同
~~用户管理，权限设置~~
检测标注
~~多目标跟踪标注~~
分类，分割，关键点标注
语音标注
标注的便捷性（快捷键，N）
是否支持辅助标注
~~工作量统计~~

ScaLabel

多用户在线协同
~~用户管理，权限设置~~
检测标注
~~多目标跟踪标注~~
分类，分割，关键点标注
~~语音标注~~
标注的便捷性（快捷键，N）
是否支持辅助标注
~~工作量统计~~

MakeSense

多用户在线协同
~~用户管理，权限设置~~
检测标注
~~多目标跟踪标注~~
分类，分割，关键点标注
~~语音标注~~
~~标注的便捷性~~
是否支持辅助标注
~~工作量统计~~

单机

Labelme

Labelme适用于图像分割任务的数据集制作：

该软件实现了最基本的分割数据标注工作，在save后将保持Object的一些信息到一个json文件中，如下：
https://github.com/wkentaro/labelme/blob/master/static/apc2016_obj3.json
同时该软件提供了将json文件转化为labelimage的功能：

labelImg

Labelme适用于图像检测任务的数据集制作：

其中标签存储功能和“Next Image”、“Prev Image”的设计使用起来比较方便。
该软件最后保存的xml文件格式和ImageNet数据集是一样的。

yolo_mark

yolo_mark适用于图像检测任务的数据集制作：

它是yolo团队开源的一个图像标注工具，为了方便其他人使用yolo2训练自己的任务模型。在linux和win下都可运行，依赖opencv库。

Vatic

Vatic适用于图像检测任务的数据集制作：

比较特别的是，它可以做视频多目标跟踪的标注，比如一个25fps的视频，只需要隔100帧左右手动标注一下物体的位置，最后在整个视频中就能有比较好的效果。这依赖于软件集成的opencv的追踪算法。

Sloth

Sloth适用于图像检测任务的数据集制作：

https://cvhci.anthropomatik.kit.edu/~baeuml/projects/a-universal-labeling-tool-for-computer-vision-sloth/
在标注label的时候，该软件可以存储标签，并呈现标注过的图片中的bbox列表。