使用label-studio对OCR数据进行预标注

导读

label-studio作为一款数据标注工具相信大家都不陌生，对于需要进行web数据标注协同来说应该是必备工具了，标注的数据类型很全涉及AI的各个任务(图像、语音、NLP、视频等)，还支持自定义涉及模版。

然而，我们在标注数据的过程中，通常为了提高标注人员的工作效率，都会进行预标注。所谓的预标注就是给标注人员提供一个先验的标注结果，在使用label-studio进行预标注的时候有两种方法：

1. 导入一个带预标注信息的json文件
2. 使用label-studio-backend提供一个模型服务，进行在线预标注，如果模型的处理速度较慢，建议用第一种

这里我们介绍的也是使用第一种的预标注

新建OCR标注任务

1. 创建任务

2. 填写任务信息

• ProJect Name：项目名称
• Description：项目的描述
  

3. 选择OCR任务

4. 通过直接使用code来设置标注任务

<View>
  <Image name="image" value="$image_url"/>

  <Labels name="label" toName="image">
    <Label value="Text" background="green"/>
    
  <Label value="hard" background="#f20202"/></Labels>

  <Rectangle name="bbox" toName="image" strokeWidth="3"/>
  <Polygon name="poly" toName="image" strokeWidth="3"/>

  <TextArea name="transcription" toName="image" editable="true" perRegion="true" required="true" maxSubmissions="1" rows="5" placeholder="Recognized Text" displayMode="region-list"/>
</View>

设置图片访问方式

因为在进行OCR数据标注的时候，我们需要去访问图片，而label studio针对图片的访问方式提供了两种方法，第一种就是使用label studio自带的Cloud Storage，第二种就是通过图片链接去访问，相对来说第二种方式会更加的灵活

1. 通过Cloud Storage设置图片数据

使用这种方式添加数据的时候，需要在启动label studio的时候添加两个环境变量

export LABEL_STUDIO_LOCAL_FILES_SERVING_ENABLED=true
export LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT=/datasets/ocr/datasets

这里的LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT表示添加的数据必须要放在这个路径的下面，否则无法加载数据

点击项目--> Settings---> Cloud Strorage--> Source Cloud Stroage ---> Add Source Stroage，然后添加一下图片存放的目录即可，如果增加了新的图片到目录下，点一下Sync Storage就会自动更新同步，使用这种方式的弊端也非常的明显就是数据需要和label studio放在同一台服务器上

2. 使用文件服务器

关于文件服务器大家可以使用python自带的http服务，或者是nginx，对于图片这两者都可以，如果是标注的视频最好使用nginx进行替代，不然再标注的时候无法快进

• python自带的http服务
  使用Python自带的文件服务非常的方便，一行命令即可。执行完成之后就会将该目录下的文件映射到http服务上，通过http://127.0.0.1:端口号进行访问

python -m http.server 端口号

• nginx搭建文件服务器

Ubuntu安装nginx，sudo apt-get install nginx，CentOS安装nginx，sudo yum install nginx，配置文件如下

#user  nobody;
worker_processes  1;
#error_log  logs/error.log;
#error_log  logs/error.log  notice;
#error_log  logs/error.log  info;
#pid        logs/nginx.pid;
events {
    worker_connections  1024;
}
http {
    include       mime.types;
    default_type  application/octet-stream;
    sendfile        on;
    #tcp_nopush     on;
    #keepalive_timeout  0;
    keepalive_timeout  65;
    #gzip  on;
    server {
        listen       80;
        server_name  localhost;
        location / {
            root  /datasets/ocr;#需要映射的数据存放目录
            autoindex on;
        }
        access_log  /logs/nginx/access/80-access.log;
        error_log  /logs/nginx/error/80-error.log;
    }
}

启动nginx，sudo nginx即可，就可以通过http://10.0.7.84访问文件

OCR预标注json文件的制作

1. 文本框box的数值转换

• x：文本框左上角点的x值
• y：文本框左上角点的y值
• width：文本框的宽
• height：文本框的高
• rotation：文本矩形框的旋转角度

注意：label sutdio支持的文本框位置信息和我们预测的box的格式有区别，具体的转换方法如下

box = ocr_info["box"]
box_width = math.sqrt((box[0][0] - box[1][0]) ** 2 + (box[0][1] - box[1][1]) ** 2)
box_width = round(box_width / image_width * 100,2)
box_height = math.sqrt((box[0][0] - box[3][0]) ** 2 + (box[0][1] - box[3][1]) ** 2)
box_height = round(box_height / image_height * 100,2)
if box[1][0] != box[0][0]:
    rotation = round(np.arctan((box[1][1] - box[0][1]) / (box[1][0] - box[0][0])) / np.pi * 180,2)
    if rotation < 0:
        rotation += 360
else:
    rotation = 0
x = round(box[0][0] / image_width * 100,2)
y = round(box[0][1] / image_height * 100,2)

2. label studio支持的数据格式

下面展示了一个文本框的json格式，如果有多张图片按照下面的格式进行添加即可

[{
	"predictions": [{
		"result": [{
			"value": {
				"labels": ["Text"],
				"x": 36.78,
				"y": 66.83,
				"width": 26.67,
				"height": 2.5,
				"rotation": 0.0
			},
			"id": "490b7582",
			"from_name": "label",
			"to_name": "image",
			"type": "labels",
			"origin": "manual"
		}],
		"model_version": "PPOCR"
	}],
	"data": {
		"image_url": "http://102.20.27.81:8000/images/65e6999f0000000001028c02.jpg"
	}
}]

预标注的json数据导入

1. 点击标注任务然后再点击import

2. 上传json文件，点击Upload Files