ISAT（Intelligent Segmentation Annotation Tool） 是由 北京理工大学 & IDEA 实验室 联合开发的一款开源、智能化、高效率的图像分割标注工具 ，专为语义分割、实例分割和全景分割任务设计。
✨ 核心理念："人机协同" ------ 利用前沿 AI 模型（如 SAM）辅助人工标注，将标注效率提升 5～10 倍。
| 特性 | 说明 |
|---|---|
| ✅ AI 智能辅助 | 内置 SAM、Grounded-SAM、EfficientSAM 等模型，支持点/框交互式分割 |
| ⚡ 标注效率极高 | 点击几下即可生成精细掩码，告别手动描边 |
| 🖼️ 多模态支持 | 支持 RGB 图像、遥感图、医学影像、工业检测图等 |
| 🧩 专业级功能 | 撤销/重做、图层管理、边缘细化、批量导出 |
| 🇨🇳 中文友好 | 国产工具，中文界面 + 中文文档 + 国内社区支持 |
| 💾 离线可用 | 模型可本地部署，无需联网（适合内网/涉密环境） |
| 📤 格式灵活 | 直接输出 PNG 掩码、COCO JSON、LabelMe 兼容格式等 |
python
┌───────────────────────┐
│ 用户交互界面 │ ← Qt / PyQt5（现代化 UI）
└──────────┬────────────┘
↓
┌───────────────────────┐
│ AI 模型调度引擎 │ ← 支持 SAM / Grounded-SAM / EfficientSAM
└──────────┬────────────┘
↓
┌───────────────────────┐
│ 标注数据管理器 │ ← JSON + PNG 双存储，支持版本回溯
└──────────┬────────────┘
↓
┌───────────────────────┐
│ 导出模块 │ ← COCO / Pascal VOC / 自定义格式
└───────────────────────┘目录
1.ISAT--安装
官网源码链接：ISAT
1.1.pip安装
python
# create environment
conda create -n isat_env python=3.10
# activate environment
conda activate isat_env
pip install isat-sam
isat-sam可能需要配置pytorch环境：https://pytorch.org/get-started/locally/?spm=5176.28103460.0.0.460b7551NU4JrN
1.2.源码安装
python
# create environment
conda create -n isat_env python=3.8
# activate environment
conda activate isat_env
git clone https://github.com/yatengLG/ISAT_with_segment_anything.git
pip install -r requirements.txt -i https://pypi.mirrors.ustc.edu.cn/simple/
python main.py
2.ISAT--使用
2.1.分割模型下载
预训练模型必须提前下载好，不然等会运行后用不了segment anything功能，只能手动逐个像素点标记。
现在支持 SAM, Sam-HQ, MobileSAM, 及 EdgeSAM 等模型。
1.网址下载
| 模型分类 | 预训练模型文件 | 显存需求 | 文件大小 | 模型作用与适用场景 | 下载链接 |
|---|---|---|---|---|---|
| SAM | sam_vit_h_4b8939.pth | 6462M | 2.6G | 全能型（高精度）： 最原始的 SAM 模型，精度极高，适合对边缘要求极高的科研场景。 | 官方原链 |
| sam_vit_l_0b3195.pth | 5016M | 1.3G | 平衡型： 精度和速度的平衡点，大多数通用场景的首选。 | 官方原链 | |
| sam_vit_b_01ec64.pth | 3302M | 375M | 轻量型： 速度最快，显存占用最低。适合处理简单物体。 | 官方原链 | |
| SAM-HQ | sam_hq_vit_h.pth | 6464M | 2.6G | 去噪型（推荐）： 修复了原版噪点，边缘更平滑，适合精细标注。 | HuggingFace |
| sam_hq_vit_l.pth | 5016M | 1.3G | HQ 平衡版： HQ 系列的折中选择。 | HuggingFace | |
| sam_hq_vit_b.pth | 3304M | 379M | HQ 轻量版： HQ 系列中速度最快的。 | HuggingFace | |
| sam_hq_vit_tiny.pth | 598M | 43M | 极低配版： 仅用于测试或显存极小的设备。 | HuggingFace | |
| Mobile-SAM | mobile_sam.pt | 534M | 40M | 极速版： 速度极快，精度尚可，适合数据初筛。 | HuggingFace |
| Edge-SAM | edge_sam.pth | 360M | 38.8M | 边缘计算版： 适合 CPU 运行，GPU 上优势不大。 | GitHub |
| edge_sam_3x.pth | 360M | 38.8M | Edge-SAM 放大版： 解码器放大了 3 倍。 | GitHub | |
| SAM-Med | sam-med2d_b.pth | 1500M | 2.4G | 医学专用： 专为医学影像（CT/MRI）训练。 | 官方原链 |
| SAM2 | sam2_hiera_large.pt | 4000M | 900M | 视频流版： 支持视频分割，解决 sam_video_tag 报错。 |
HuggingFace |
| sam2_hiera_base_plus.pt | 4000M | 324M | SAM2 标准版： 基础视频/图像模型。 | HuggingFace | |
| sam2_hiera_small.pt | 3000M | 185M | SAM2 轻量版： 适合快速视频处理。 | HuggingFace | |
| sam2_hiera_tiny.pt | 2400M | 156M | SAM2 极速版： 视频处理首选，速度快。 | HuggingFace | |
| SAM3 | sam3.pt | 待定 | 待定 | 下一代（假设）： 用于测试新架构兼容性或未来升级占位。 | [假设链接] https://huggingface.co/your_repo/sam3/resolve/main/sam3.pt |
2.界面下载
下载完成之后，使用那个模型就点那个，然后终端会显示是否加载成功：
2.2.添加分类
还可以导入提前准备好的类名，类名信息存放在.yaml文件中，yaml文件中存放内容及格式见下:
默认保存位置：
2.3.自动保存
建议开启自动保存，避免打标签过程出现意外中断无法保存，开启方法如下：
2.4.加载图片
载入图像文件
注：待标记的图像必须是三通道图，灰度图像会报错，是因为SAM中的官网模型都是针对三通道图像训练得到的模型，如果非得标记灰度图，可以先通过cv2.COLOR_GRAY2BGR转换一下再标记，标记完成后，如果深度学习训练想喂入单通道图，再用原来的灰度图。
标签保存位置：
2.5.开始标记
这里的键只是默认单字母：
1.Q：sam点提示：
2.W: sam框提示：
3.C：多边形，
输出的默认是json数据：
python
{
"info": {
"description": "ISAT",
"folder": "C:/Users/28986/Desktop/专栏图片",
"name": "033a01af-03cf-42f7-8e5e-01ef7d84e207.png",
"width": 1024,
"height": 1024,
"depth": 3,
"note": ""
},
"objects": [
{
"category": "好人一号",
"group": 1,
"segmentation": [
[
574.0,
55.0
],
[
569.0,
63.0
],
[
569.0,
67.0
],
[
568.0,
68.0
],
[
568.0,
96.0
],
[
567.0,
97.0
],
[
567.0,
124.0
],
[
568.0,
125.0
],
[
568.0,
132.0
],
[
570.0,
139.0
],
[
570.0,2.6.数据转换
例如：下面选择.json文件路径，和选择转为VOC格式后要保存的路径，如下：
