实验环境：
Ubuntu 20.04, 下面的配置都是基于anaconda进行的。

一、Labelme

安装

安装非常简单，

# conda create --name labelme python=3.8
# conda activate labelme
# pip install pyqt5
# pip install labelme

使用

进入labelme环境以后，运行# labelme 命令，可以看到打开的labelme界面，如下，比较简陋，
如上图所示，加载一张图片以后可以通过Create Polygons来标注目标的边界框，然后通过Edit Polygons进行微调， 标注完成后可以在右边看到label_list, polygon list,.

导出

点击左侧的save，标注信息保存为json文件，打开后如下：
可以看到标注信息实际上就是边界框（4个points）和label。

二、label-studio

简介

Label-studio是一款功能十分强大的标注工具IDE， 具有如下特点：
可配置: 使用jsx tags配置，自定义配置标注页面，所以可标注格式很多，样式也可以自定义
协作标注: 由两个或更多人label同一任务，然后比较结果，还支持用户名密码简单的认证。 支持按预测的模型预测的probability的大小顺序标注，默认按导入数据的索引顺序标注。
多种数据类型: 您定义自己的具有不同的label类型， Images, Audios, Texts, HTMLs,已有大量模板，直接使用接口
支持导入格式: JSON, CSV, TSV, RAR and ZIP archives，支持API导入数据。
NPM嵌入: 前端是NPM包， NPM package. 您可以将其包含在您的项目中 .机器学习: 机器学习的集成支持。 可视化并比较来自不同模型的预测。
pre-labeling功能很好，可以实现用训练的模型预标注数据，那么结果人工标注前就比较方便，而且还知道模型预测的怎么样支持docker容器部署方便的API接口

安装

# conda create --name label-studio python=3.8
# conda activate label-studio
#  pip install label-studio

注：因为网络原因我湿了好多次才安装成功。

使用

label-studio环境下，执行 # label-studio即可打开界面，如下图所示，

点击右边的“Create” 来创建Projects，Project的创建分为3步：
（1） 设置项目名称和描述信息

（2）导入数据，可以通过URL导入或者本地文件夹，支持 文本，视频，音频数据，各种格式都支持哈。

（3）指定具体的标注任务，指定以后进一步设置相关所需的信息

例子

我创建了一个NLP -text classification的Project， 在labeling setup这一步我设置了共三个类别：Command， Non-Command， Neutral。创建完成以后如下图所示：
由于我导入的是一个文本数据，每一行对应一个样本，也就是上图中的一个个task， 接下来要对每个task设置标记。
随便选择一个task右击打开如下图，直接从上一步设置label space中选中一个标记即可，记得点击Submit进行提交， 提交之后可以看到左边的对应Task的Total anacontation per task状态由0变为1。
当然也可以点击上边的label all tasks， 然后连续地进行宁标注任务。

所有tasks标注完成以后， 就可以导出了，直接点击右上角的Export导出为指定格式的文件即可。

当然也可以使用模型进行辅助标记， 这个对于图像标注任务非常有帮助，能够大幅提升标注的效率， 后边有时间再细说。

总结

Label-studio功能非强大，并且本身也在不断升级，推荐使用。