开发者说｜自动驾驶标注工具
下面是由社区开发者—王方浩提供的文章，本文主要分析 自动驾驶标注工具。
自动驾驶感知目前主流的方法都是深度学习，需要用到大量的标注数据集来训练模型，所以能够更快更高效生成大量的标注数据，是无人驾驶感知的关键。
大部分的开源数据集，都是请第三方外包公司来完成这项工作，目前数据标注是一个新兴行业，基本是靠廉价的人工，手动完成标注。开源的标注工具很多，大部分都是业余开发，没有在实践中进行改进，并不能支持大规模的标注。
做自动驾驶数据集的标注工作，机械式的去标注效率可能不高。如果能够自动标注后再由人去检查数据，进行调整，这样则可以大大提高效率。
若想尽量简单地实现这个方案，首先需要支持自动标注，然后需要支持多人协同标注。下面整理下具体的思路：
自动标注功能可以在网上找到训练好的模型，然后网页端加载模型，通过前端框架执行后，展示标好的数据。前端的神经网络框架有很多好处，主要优势是可视化，跨平台，而且web端支持多人协作也很方便，只需要一个浏览器，就可以进行标注。
第一步：选定前端深度学习框架
优秀的框架有很多，决定选择TensorFlow.js，选TensorFlow.js的好处是可以导入模型，教程丰富，并且可以把Python模型转成js模型进行导入。
第二步，前端框架选择借鉴MIT开源图片标注工具Labelme
能调节图片的对比度，在阴影或光照不好的情况下，调节对比度可以很好的找到标注物体的轮廓 右键自动闭合，省去了每次都要移动鼠标到起点的过程 支持Label层级，比如标注了一个汽车，又要标注汽车的车窗，可以设置层级，让车窗属于汽车的标注，这在一些需要二次识别的场景中很管用 支持语义分割的标注。 数据保存格式很完善，包括标注人、标注时间、各种Label、备注等
黑科技太多，集合PHP、Perl、Nodejs、HTML多项技术，最可怕的是还用到了C++转js的技术 前端技术栈比较老旧，布局不支持Flex
建议先在Labelme上实现相应的功能，把相关的功能了解后，再开发一个更Cool的项目。下面以识别汽车为例，如何用TensorFlow.js实现标注图片中的汽车，用的模型是coco-ssd。
加载前端机器学习框架TensorFlow.js，如果不想本地安装编译，可直接用编译好的文件，在HTML中增加：
//加载tensorflow模型<!-- Load TensorFlow.js. This is required to use coco-ssd model. --><script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs"> </script><!-- Load the coco-ssd model. --><script src="https://cdn.jsdelivr.net/npm/@tensorflow-models/coco-ssd"> </script>//获取图片const img = document.getElementById('img');
// Load the model. cocoSsd.load().then(model => { // detect objects in the image. model.detect(img).then(predictions => { //识别出的对象 console.log('Predictions: ', predictions); }); });Predictions的格式为：
bbox: [x,y,w,h] //4个元素的数组，x,y为矩形左上角坐标，w为宽，h为高class: "car" //识别的类别score: 0.99 //可信度上述例子可参考TensorFlow.js的例子(TensorFlow/tfjs-models)，这个模型可以识别的目标包括汽车、人和交通灯。
如果需要更强大的模型，可以选择专门针对KITTI数据集的模型，在Tensorflow模型动物园中可以找到Python版本，但需要转换成js版本。开始下载的时候文件有400多兆，如果模型太大，可以考虑用服务的方式实现，而不是前端加载，下面还是以coco-ssd为例，这个模型比较简单，主要用在嵌入式和手机设备。
LabelMe
自动标注演示：
点击最上面工具栏的笑脸图标 开始加载模型，并且显示动画（由于网络原因可能会加载模型失败，一般第一次加载完成后就比较快了） 最后画出标注好的框
代码可见：