EISeg(Efficient Interactive Segmentation)是以RITM及EdgeFlow算法为基础，基于飞桨开发的一个高效智能的交互式分割标注软件。涵盖了通用、人像、遥感、医疗等不同方向的高质量交互式分割模型，方便开发者快速实现语义及实例标签的标注，降低标注成本。 另外，将EISeg获取到的标注应用到PaddleSeg提供的其他分割模型进行训练，便可得到定制化场景的高精度模型，打通分割任务从数据标注到模型训练及预测的全流程。
在使用EIseg前，请先下载模型参数。EISeg 0.5.0版本开放了在COCO+LVIS、大规模人像数据、mapping_challenge，Chest X-Ray，MRSpineSeg，LiTS及百度自建质检数据集上训练的7个垂类方向模型，满足通用场景、人像场景、建筑物标注，医疗影像肝脏，胸腔，椎骨及铝板质检的标注需求。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。
| 模型类型 | 适用场景 | 模型结构 | 模型下载地址 |
|---|---|---|---|
| 高精度模型 | 通用场景的图像标注 | HRNet18_OCR64 | static_hrnet18_ocr64_cocolvis |
| 轻量化模型 | 通用场景的图像标注 | HRNet18s_OCR48 | static_hrnet18s_ocr48_cocolvis |
| 高精度模型 | 通用图像标注场景 | EdgeFlow | static_edgeflow_cocolvis |
| 高精度模型 | 人像标注场景 | HRNet18_OCR64 | static_hrnet18_ocr64_human |
| 轻量化模型 | 人像标注场景 | HRNet18s_OCR48 | static_hrnet18s_ocr48_human |
| 轻量化模型 | 遥感建筑物标注场景 | HRNet18s_OCR48 | static_hrnet18_ocr48_rsbuilding_instance |
| 高精度模型* | x光胸腔标注场景 | Resnet50_Deeplabv3+ | static_resnet50_deeplab_chest_xray |
| 轻量化模型 | 医疗肝脏标注场景 | HRNet18s_OCR48 | static_hrnet18s_ocr48_lits |
| 轻量化模型* | MRI椎骨图像标注场景 | HRNet18s_OCR48 | static_hrnet18s_ocr48_MRSpineSeg |
| 轻量化模型* | 质检铝板瑕疵标注场景 | HRNet18s_OCR48 | static_hrnet18s_ocr48_aluminium |
NOTE： 将下载的模型结构*.pdmodel及相应的模型参数*.pdiparams需要放到同一个目录下，加载模型时只需选择*.pdiparams结尾的模型参数位置即可， *.pdmodel会自动加载。在使用EdgeFlow模型时，请将使用掩膜关闭，其他模型使用时请勾选使用掩膜。其中，高精度模型推荐使用带有显卡的电脑，以便获得更流畅的标注体验。
EISeg提供多种安装方式，其中使用pip和运行代码方式可兼容Windows，Mac OS和Linux。为了避免环境冲突，推荐在conda创建的虚拟环境中安装。
版本要求:
PaddlePaddle安装请参考官网。
通过git将PaddleSeg克隆到本地：
git clone https://github.com/PaddlePaddle/PaddleSeg.git
安装所需环境（若需要使用到GDAL和SimpleITK请参考垂类分割进行安装）：
pip install -r requirements.txt
安装好所需环境后，进入EISeg，可通过直接运行eiseg打开EISeg：
cd PaddleSeg\EISeg python -m eiseg
或进入eiseg，运行exe.py打开EISeg：
cd PaddleSeg\EISeg\eiseg python exe.py
pip安装方式如下：
pip install eiseg
pip会自动安装依赖。安装完成后命令行输入：
python -m eiseg
即可运行软件。
打开软件后，在对项目进行标注前，需要进行如下设置：
模型参数加载
根据标注场景，选择合适的网络模型及参数进行加载。目前在EISeg0.4.0中，已经将动态图预测转为静态图预测，全面提升单次点击的预测速度。选择合适的模型及参数下载解压后，模型结构*.pdmodel及相应的模型参数*.pdiparams需要放到同一个目录下，加载模型时只需选择*.pdiparams结尾的模型参数位置即可。静态图模型初始化时间稍长，请耐心等待模型加载完成后进行下一步操作。正确加载的模型参数会记录在近期模型参数中，可以方便切换，并且下次打开软件时自动加载退出时的模型参数。
图像加载
打开图像/图像文件夹。当看到主界面图像正确加载，数据列表正确出现图像路径即可。
标签添加/加载
添加/加载标签。可以通过添加标签新建标签，标签分为4列，分别对应像素值、说明、颜色和删除。新建好的标签可以通过保存标签列表保存为txt文件，其他合作者可以通过加载标签列表将标签导入。通过加载方式导入的标签，重启软件后会自动加载。
自动保存设置
在使用中可以将自动保存设置上，设定好文件夹即可，这样在使用时切换图像会自动将完成标注的图像进行保存。
当设置完成后即可开始进行标注，默认情况下常用的按键/快捷键如下，如需修改可按E弹出快捷键修改。
| 部分按键/快捷键 | 功能 |
|---|---|
| 鼠标左键 | 增加正样本点 |
| 鼠标右键 | 增加负样本点 |
| 鼠标中键 | 平移图像 |
| Ctrl+鼠标中键（滚轮） | 缩放图像 |
| S | 切换上一张图 |
| F | 切换下一张图 |
| Space（空格） | 完成标注/切换状态 |
| Ctrl+Z | 撤销 |
| Ctrl+Shift+Z | 清除 |
| Ctrl+Y | 重做 |
| Ctrl+A | 打开图像 |
| Shift+A | 打开文件夹 |
| E | 打开快捷键表 |
| Backspace（退格） | 删除多边形 |
| 鼠标双击（点） | 删除点 |
| 鼠标双击（边） | 添加点 |
多边形
保留最大连通块后，所有的点击只会在图像中保留面积最大的区域，其余小区域将不会显示和保存。保存格式
JSON保存或COCO保存后，多边形会被记录，加载时会自动加载。标签和图像使用相同扩展名。生成mask
界面模块
显示中选择需要显示的界面模块，正常退出时将会记录界面模块的状态和位置，下次打开自动加载。垂类分割
EISeg目前已添加对遥感图像和医学影像分割的支持，使用相关功能需要安装额外依赖。
脚本工具使用
EISeg目前提供包括标注转PaddleX数据集、划分COCO格式以及语义标签转实例标签等脚本工具，相关使用方式详见脚本工具使用。
以下内容为EISeg中遥感垂类相关的文档，主要包括环境配置和功能介绍两大方面。
EISeg中对遥感数据的支持来自GDAL/OGR，GDAL是一个在X/MIT许可协议下的开源栅格空间数据转换库，OGR与其功能类似但主要提供对矢量数据的支持。
关于GDAL的安装，可参考如下安装方式：
2.2.1 Windows
Windows用户可以通过这里下载对应Python和系统版本的二进制文件（*.whl）到本地，以GDAL‑3.3.3‑cp39‑cp39‑win_amd64.whl为例，进入下载目录：
cd download
安装依赖：
pip install GDAL‑3.3.3‑cp39‑cp39‑win_amd64.whl
2.2.2 Linux/Mac安装
Mac用户建议利用conda安装，如下：
conda install gdal
目前EISeg中的遥感垂类功能建设还比较简单，基本完成了GTiff类数据加载、大幅遥感影像切片与合并、地理栅格/矢量数据（GTiff/ESRI Shapefile）导出。并基于各类建筑提取数据集40余万张数据训练了一个建筑分割的交互式模型。
目前EISeg仅支持了*.tif/tiff图像后缀的的遥感影像读取，由于训练数据都是来自于RGB三通道的遥感图像切片，因此交互分割也仅在RGB三通道上完成，也就表示EISeg支持多波段数据的波段选择。
当使用EISeg打开GTiff图像时，会获取当前波段数，可通过波段设置的下拉列表进行设置。默认为[b1, b1, b1]。下例展示的是天宫一号多光谱数据设置真彩色：
目前EISeg对于大幅遥感图像（目前最大尝试为900M，17000*10000大小三通道图像），支持切片预测后合并，其中切片的重叠区域overlap为24。
下面是一副来自谷歌地球的重庆部分地区的切片演示：
当打开标注的GTiff图像带有地理参考，可设置EISeg保存时保存为带有地理参考的GTiff和ESRI Shapefile。
建筑物标注建议使用static_hrnet18_ocr48_rsbuilding_instance
克隆当前repo（可有可无的步骤）：
git clone https://github.com/geoyee/eiseg2exe.git
在当前能够正常使用EISeg的环境中安装QPT：
python -m pip install qpt -i https://mirrors.bfsu.edu.cn/pypi/web/simple
将EISeg最新的代码（去掉.git文件）替换文件夹下的EISeg文件夹：
进入EISeg文件夹，删除.github和.idea文件夹。
再运行qpt_pack.py脚本：
python qpt_pack.py
进入EISeg/requirements_with_opt.txt，注释掉GDAL，添加QPT，并将paddlepaddle-gpu改为paddlepaddle，回车确认，等待打包完成。
# -------------Mainly depends on package analysis results--------------
pycocotools==2.0.2
paddlepaddle==2.2.0 # 替换 paddlepaddle-gpu==2.2.0
beautifulsoup4==4.9.3
# gdal==3.2.3 # 注释
qtpy==1.9.0
albumentations==0.5.2
simpleitk==2.0.2
easydict==1.9
visualdl==2.2.0
pyqt5==5.15.4
paddleseg==2.3.0
imgaug==0.4.0
qpt==1.0b1.dev11 # 增加
复制目录下的GDAL-3.2.3-cp38-cp38-win_amd64.whl到out/Debug(Release)/opt/packages下，完成GDAL的打包。