基本使用

以下测试均建立在 github上 CVAT Release 1.0.0版本上

管理员界面登录

在上篇配置好CVAT后，可以使用类似：http://localhost:8080/admin来登录 （localhost换成自己的服务器ip）

管理用户

添加/删除用户及用户权限管理

主要是 AUTHENTICATION AND AUTHORIZATION 认证和授权 下面可以添加组和用户

大概就是常规的用户名，密码，确认密码之后就可以 成功注册了新用户了，下面其实还有继续一些权限控制的选项。
这里的三种Permissions分别表示：

• Activate（活跃用户）：指定是否应将此用户视为活动用户，如果想使这个账号暂时失去权限，取消选择就可以，不需要删除。
• Staff status（员工身份）：指定用户是否可以登录此管理站点。
  +Superuser status（ 超级用户状态）：指定该用户具有所有权限，而无需显式分配它们。
  

组管理

上面那四个原本就有的组，经过2020.7.27测试 （github上 CVAT
Release 1.0.0版本），组是没有权限区别的。

• 即：你不在annotator，也可以对task进行标注
• 但是在admin 就是有区别的，这里大概没设计好
• 在新建组部分，也只有 group name这一个字段，大概CVAT设计人员觉得对用户有权限控制就可以，剩下的就是管理员自行组织相同权限的用户在一个组，所以组没有权限管理

用户管理界面

任务管理

Engine->Tasks->选择具体的task名称进入，就可以看到该task的相关属性。

• 其中有一点需要注意：正常情况下，task创建后，除了标签和分配给谁可以改，其他都没法改，也没法再在Web端直接修改。
  • Segment size：一个task无法分配给多个人（assignee），但是可以通过这个参数把一个task分成多个job，每个job再分给不同的人，就可以达到多人共同标注一个task的效果。 PS：虽然这里提供了这个选项，但是实际不生效，
    
    即便改了Segment size ，但是可以看到后面的Segments各种都没有反应。无效，所以如果想要把一个任务分配给多个人，只能在一开始创建任务的时候就全都考虑不好，要么就重新创建。

创建任务和上传标签

进入CVAT界面后，选择新建任务（很简单，填填就好了）

• 创建任务完成后，如果还需要上传对应的标记文件，则该文件需要是zip格式的。同时，还会提示你：
  
  即：这里上传的标记会将你在CVAT平台上标记的全都覆盖！
  此外，如果上传的标记文件中标签与该task建立时的标签不一致，会报错。且已经创建好的项目的标签无法修改，可以新加，但无法修改之前已经定义的。
  上传完毕后显示
  
  然后回到任务面板，打开就可以看到已经标注好的结果了，不错
  

datumaro

这个是基于python的，可以在user-guide中看到 这个datumaro要求是python3.5+的环境。

为此，先查看服务器上python环境的情况

which python
//返回 /usr/bin/python
python --version
2.7.17

anaconda安装

环境不太好，所以要安装python3.5的环境，选择anaconda，直接去官网下载linux版本，右键存储链接

wget https://repo.anaconda.com/archive/Anaconda3-2020.07-Linux-x86_64.sh 

（这个版本是python3.8的 所以安装结束后还要再新建一个python3.5的环境）

下载完之后再进行安装：

bash Anaconda3-2020.07-Linux-x86_64.sh

一开始会让你阅读协议，输入yes，然后会让你确定安装位置，记住这个前缀，等一会就安装好了。安装结束后，提示：
For changes to take effect, close and re-open your current shell 所以最好把这个shell连接关闭重启一下（不然无法识别conda命令），重启之后就Ok了，剩下就是anaconda里操作，新建环境安装py36，安装一些必要的包了。

• ！！！！
• 不要安装py3.5 虽然datumaro写得是 python3.5+ 但是在执行pip git XXX后，当安装 pycocotools时，报错 RuntimeError: Python version >= 3.6 required。所以安装3.6最好

PREFIX=/home/XXX/anaconda3

conda create -n py36 python=3.6
conda activate py36
pip list
pip install --upgrade pip

环境配好就可以去安装datumaro了

datumaro安装

需要先安装好gcc

> sudo apt update
> sudo apt install build-essential
# 这句会安装 gcc, g++ and make
> sudo apt-get install manpages-dev
# 这个是一些手册

安装：

pip install 'git+https://github.com/opencv/cvat#egg=datumaro&subdirectory=datumaro'

安装这个的过程中会默认安装一些别的依赖包（反正等着就好了，要等挺久，可以在requirements文件中看到）。

Cython>=0.27.3 # include before pycocotools
defusedxml>=0.6.0
GitPython>=3.0.8
lxml>=4.4.1
matplotlib<3.1 # 3.1+ requires python3.6, but we have 3.5 in cvat
opencv-python-headless>=4.1.0.25
Pillow>=6.1.0
pycocotools>=2.0.0   # 这个要求python>=3.6
# 这个还要求安装有gcc 安装gcc后再进行安装就没问题了
PyYAML>=5.1.1
scikit-image>=0.15.0
tensorboardX>=1.8

datumaro基本使用

安好后，就可以开始跟着用户手册继续使用一些基本功能了。重点放在数据增加与合并上。

说明：命令调用语法可能会改变，始终遵循 --help的说明。
datumaro的关键对象是Project，一个Project是一个project自己包含的数据集，大量外部数据资源以及一个环境的组合。可以通过 project create命令来创建一个空的Project，现有的数据集可以使用project import命令导入。最简单的获取任务的方式就是在CVAT的UI中导出task

---

所以基本可以认为，datumaro的使用需要不断跟CVAT进行导出和导入操作。

支持的格式

-f参数的取值可以有：

• COCO
• PASCAL VOC
• YOLO
• TF Detection API
• CVAT

可以在CVAT的tasks面板中看到导出的文件格式有（从名字上来看，最好使用Datumaro）：

查看帮助文件报错

ImportError: libSM.so.6: cannot open shared object file: No such file or directory
解决，参考github issue：

>sudo apt-get update
>sudo apt-get install -y libsm6 libxext6 libxrender-dev
//执行完这步 就可以正常查看help文件了 ok 下面那句不用管了
>pip install opencv-python

导入projects

从现有的数据集中创建一个project，支持的就是上面的格式。Datumaro数据格式是由Extractors和Importers支持的。提取器产生对应于数据集的数据项目列表，导入器从数据源的位置创建一个项目。支持自定义提取器和导入器，但是需要将二者的实现脚本放入<project_dir>/.datumaro/extractors and <project_dir>/.datumaro/importers文件夹中

导入代码，例如 从一个coco格式的数据集中创建项目：

//先
datum project import --help
// 以help的内容为准，执行时报错，
WARNING: Failed to import module 'tf_detection_api_format.extractor.py': Traceback (most recent call last):File "<string>", line 1, in <module> ModuleNotFoundError: No module named 'tensorflow'datum project import \-f coco\-i /home/coco_dir \-o /home/project_dir \  

数据增加

数据标注

标注面板使用

快捷键

• 上一张D
• 下一张F
• 新建矩形标注框 N
  

左侧工具栏和右侧面板说明

其实就是这个 适应图片 功能比较好。

• 滑动鼠标滚轮：标注图片缩放（不是网页缩放）
• 双击图片：图片自适应当前窗口宽度
  

追踪模式Track mode （视频标注使用）

为了使用这一功能，上传了一个 104.5MB的flv文件上去。

• 创建时注意：
  Advanced configuration中的frame step是控制提取帧的间隔：使用此选项过滤视频帧。 例如，输入25将在视频中每隔第二十五帧或每25幅图像保留一个。
• 视频和图片要进行压缩上传，所以很慢。。上传过程无法停止，等着吧
• 14分钟 7500帧 也就是差不多 每秒8帧-10帧左右

依然打开标注面板，这里标注的时候不使用默认的shape 而是选择track。

• 标记的物体于？帧开始移动，就可以将？帧 打上星号或者点击K将其标记为关键帧。
• 如果对象开始更改其位置，则需要修改其发生的矩形。 不必更改每个帧上的矩形，只需更新几个关键帧，它们之间的帧就会自动插入。
  • 例如：第0帧上画框，然后到第30帧，把之前那个框的位置进行移动（会自动帮你把这帧标记为关键帧 打上星号）
  • 两帧之间就会根据一个框（一个track）的两个位置 (两个位置框的大小可以不同)来自动进行 插帧标注 效果不错
  • 当标注物体变得很小或者消失的时候，需要选择Outside Property.
    • 跳出之后，从那一帧开始 就不再追踪了。尤其是物体到视频边缘，物体大小持续发生变化，就需要自己慢慢标注了。
  • 如果物体在某几帧消失了然后又出现，这时可以使用 Merge融合特性将不同的tracks融合成一个
    • 在物体可见的时候画一个矩形（使用track方式）
    • 在消失但又出现的地方再画一个矩形（track）
    • 点击 Merge或者按下M键，依次点击第一个track和第二个track等
    • 然后点击完了，再按下 Merge或者M键 使改动生效
      
      0帧
      30帧
      
      如果还想了解更多高级功能，查看 track mode (advanced)

提升标注效率

方式一：视频追踪，自动插帧

就是上面的 追踪模式 Track mode（适用于一个序列的图像，目标追踪类的任务）

方式二：使用模型自动标记

主要参考

• Auto annotation using DL models in OpenVINO toolkit format
• TF Object Detection API: auto annotation
• Analytics: management and monitoring of data annotation team
  +Semi-automatic segmentation with Deep Extreme Cut
• Auto segmentation: Keras+Tensorflow Mask R-CNN Segmentation

参考链接：

• wget命令
• Ubuntu18.04安装gcc