深度学习模型需要大量的训练数据，特别是标注数据。数据的标注非常重要，这对标注软件提出了很高的要求，易用、免费、高效的标注软件是深度学习从业人员的必备工具。deeplabcut 是一款面向位姿识别的标注软件（也可以进行模型训练），它开源、高效、易用，本篇介绍该软件的安装与简单使用。

deeplabcut 的安装

假设已经按照好了 miniconda，下面介绍安装 deeplabcut

git clone https://github.com/DeepLabCut/DeepLabCut.git
cd DeepLabCut/conda-environments


# 如果不想克隆源代码仓库，可以直接从官网下载配置文件
wget http://www.mackenziemathislab.org/s/DEEPLABCUT.yaml

conda env create -f DEEPLABCUT.yaml

deeplabcut 的使用

conda env list
conda activate DEEPLABCUT

pythonw -m deeplabcut
# 或者，会将后台信息打印在控制台上
python -m deeplabcut

此时，会打开 deeplabcut 的 GUI 界面。

创建工程

在首次打开软件时，需要创建一个工程（如果已经有工程的配置文件，可选择加载存在的工程），输入工程名和实验名，选择视频，选择工程保存路径（路径中不能有中文字符）并选择标注对象是否是多个目标。点击确定，则会生成配置文件。

建议打开配置文件，根据个人情况设置里面的参数。下面介绍几个重要参数。

bodyparts:  # 这里是你要标注的对象的关键点，可以根据字节情况设置，如 head, middle, tail 等
- bodypart1
- bodypart2
- bodypart3
- objectA

numframes2pick: 20  # 这里是设置提取帧的个数，设置成你需要提取的图像个数

# Plotting configuration
skeleton:  # 骨架，和 bodyparts 对应，标识通过依次链接关键点得到对象的骨架网络
- - bodypart1
  - bodypart2
- - objectA
  - bodypart3
  
# 当选择的是多个对象时，配置信息会像下面这样
individuals:  # 几个对象
- nematodes1
- nematodes2
- nematodes3
uniquebodyparts: []
multianimalbodyparts:  # 每个对象标注的关键点位置
- head
- middle
- tail

提取帧

当创建工程后，界面会增加多个标题栏，首先我们需要对视频进行帧随机提取，用于标注。假设我的配置文件已经根据标注要求进行设置完成。那么首先我们选择配置文件，然后提取方法我们可以选择自动或手动。如果选择自动提取，则下面会有选择的算法。

提取的图片会自动放到 工程名/labeled-data/视频名 目录下，图片格式为 .png。如果自动提取的帧不能够很好的用来进行标注，可以选择手动的提取方法。但这种方法对于视频较长的情况将会非常耗时的。此时，可以使用程序先将视频转化为图片序列，然后人工筛选质量较好的图片，并将筛选的图片格式转化为 .png. 视频转图片序列以及图片格式转换可参考我的代码库：toolkit. 然后将转换好的图片序列放到 工程名/labeled-data/视频名 目录下。

标注数据

假设上面的图片已经提取完成，此时，可以选择标注数据标题。首先选择配置文件，然后选择标注帧，其次，选择加载帧，选择上面的放置提取的图片序列的文件夹。此时，图片会按照文件名顺序加载到标注工具框中。右上角为对象（当配置多个对象时）和关键点。默认打开图像时选择第一个关键点。右键为标注关键点，点击缩放 zoom 可以对小对象放大然后精细标注，点击 home 则返回正常尺寸。如果标注好当前图片，可以点击 save 保存标注信息，也可以标注多张图像后再点击保存。previous 和 next 分别标识前一帧和后一阵，可查看前后两种对象的变化情况。鼠标中键可以删除某个标注，需要先选择该标注，然后点击鼠标中键，然后点击 save，然后切换帧，返回当前帧后可重新标注。更多可查看 help 页面。

标注完成后，点击 quit 退出当前标注。标注的信息会保存在 工程名/labeled-data/视频名 下的 CollectedData_实验名.csv 和 CollectedData_实验名.h5 中。