A. ocr開源數據標注工具有哪些
可以嘗試一下向量開發的數據標注管理軟體LabelHub，該軟體集人員管理、數據管理、績效管理三大核心管理功能，能夠更好的方便數據工程師質檢的標注協作，使用LabelHub數據標注管理軟體，可以有效提升數據標注總體效率30%以上。
B. 車輛數據標注工具有哪些
自動駕駛領域常用的數據標注工具類型有:2D框、3D立方體、多段線、多邊形、語音分割、視頻標注等等。
語義分割（曼孚科技數據標注平台）
C. PS中標注數據用什麼工具
推薦一款免費好用的國產工具——摹客iDoc。
通過摹客iDoc的PS插件上傳設計稿，就可以對設計稿進行智能標注、快速切圖等。
自動標註：滑鼠hover圖層自動生成標注，可以轉換為百分比標注，還可以放大鏡查看細微標注。
手動補充：有文字、坐標、顏色、尺寸、區域5種工具可以選擇。
標注的單位可以切換：
支持iOS的pt，Android的dp，Web的rem，還可以保留0-3位小數。總體來說是我用過的最好用的一個插件，你可以試試。
D. 做標注用什麼工具好
曼孚科技SEED數據標注平台：
以語音標注為例，工具本身集成了獨有的演算法，可以對語音內容進行預標注，標注員只需要在預標注的結果上略作修改即可。
此外，工具還自帶了VAD自動切片功能，配合預標注技術，效率可以提升2.5-4倍：
E. 數據堂文本類標注工具，都包括哪些
包括：實體標注、實體關系標注、閱讀理解、交互意圖、文檔屬性等
F. 汽車無人駕駛需要用到哪些數據標注工具
汽車自動駕駛所需要的的數據通常用到以下幾種標注工具：
1.2D框
2.3D框
3.圖像、文本語義分割
4.3D點雲等
G. 數據堂視頻類標注工具，都包括哪些
包括：抽幀後的圖片標注、主體屬性的標記、行蹤軌跡追蹤等
H. 有哪些好用的數據標注工具
先mark，最近在看相關的標注工具及平台視頻標注工具vatic，Vatic源自MIT的一個研究項目(Video Annotation Tool from Irvine, California)。輸入一段視頻，支持自動抽取成粒度合適的標注任務並在流程上支持接入亞馬遜的眾包平台Mechanical Turk。
I. 數據標注是做什麼的
首先談談什麼是數據標注。數據標注有許多類型，如分類、畫框、注釋、標記等等，我們會在下面詳談。
要理解數據標注，得先理解AI其實是部分替代人的認知功能。回想一下我們是如何學習的，例如我們學習認識蘋果，那麼就需要有人拿著一個蘋果到你面前告訴你，這是一個蘋果。然後以後你遇到了蘋果，你才知道這玩意兒叫做「蘋果」。
類比機器學習，我們要教他認識一個蘋果，你直接給它一張蘋果的圖片，它是完全不知道這是個啥玩意的。我們得先有蘋果的圖片，上面標注著「蘋果」兩個字，然後機器通過學習了大量的圖片中的特徵，這時候再給機器任意一張蘋果的圖片，它就能認出來了。
這邊可以順帶提一下訓練集和測試集的概念。訓練集和測試集都是標注過的數據，還是以蘋果為例子，假設我們有1000張標注著「蘋果」的圖片，那麼我們可以拿900漲作為訓練集，100張作為測試集。機器從900張蘋果的圖片中學習得到一個模型，然後我們將剩下的100張機器沒有見過的圖片去給它識別，然後我們就能夠得到這個模型的准確率了。想想我們上學的時候，考試的內容總是不會和我們平時的作業一樣，也只有這樣才能測試出學習的真正效果，這樣就不難理解為什麼要劃分一個測試集了。
我們知道機器學習分為有監督學習和無監督學習。無監督學習的效果是不可控的，常常是被用來做探索性的實驗。而在實際產品應用中，通常使用的是有監督學習。有監督的機器學習就需要有標注的數據來作為先驗經驗。
在進行數據標注之前，我們首先要對數據進行清洗，得到符合我們要求的數據。數據的清洗包括去除無效的數據、整理成規整的格式等等。具體的數據要求可以和演算法人員確認。
二、常見的幾種數據標注類型
1.分類標註：分類標注，就是我們常見的打標簽。一般是從既定的標簽中選擇數據對應的標簽，是封閉集合。如下圖，一張圖就可以有很多分類/標簽：成人、女、黃種人、長發等。對於文字，可以標注主語、謂語、賓語，名詞動詞等。
適用：文本、圖像、語音、視頻
應用：臉齡識別，情緒識別，性別識別
2.標框標註：機器視覺中的標框標注，很容易理解，就是框選要檢測的對象。如人臉識別，首先要先把人臉的位置確定下來。行人識別，如下圖。
適用：圖像
應用：人臉識別，物品識別
3.區域標註：相比於標框標注，區域標注要求更加精確。邊緣可以是柔性的。如自動駕駛中的道路識別。
適用：圖像
應用：自動駕駛
4.描點標註：一些對於特徵要求細致的應用中常常需要描點標注。人臉識別、骨骼識別等。
適用：圖像
應用：人臉識別、骨骼識別
5.其他標註：標注的類型除了上面幾種常見，還有很多個性化的。根據不同的需求則需要不同的標注。如自動摘要，就需要標注文章的主要觀點，這時候的標注嚴格上就不屬於上面的任何一種了。（或則你把它歸為分類也是可以的，只是標注主要觀點就沒有這么客觀的標准，如果是標注蘋果估計大多數人標注的結果都差不多。）
三、數據標注的過程
1.標注標準的確定
確定好標準是保證數據質量的關鍵一步，要保證有個可以參照的標准。一般可以：
設置標注樣例、模版。例如顏色的標准比色卡。
對於模稜兩可的數據，設置統一處理方式，如可以棄用，或則統一標注。
參照的標准有時候還要考慮行業。以文本情感分析為例，「疤痕」一詞，在心理學行業中，可能是個負面詞，而在醫療行業則是一個中性詞。
2.標注形式的確定
標注形式一般由演算法人員制定，例如某些文本標注，問句識別，只需要對句子進行0或1的標注。是問句就標1，不是問句就標0。
3.標注工具的選擇
標注的形式確定後，就是對標注工具的選擇了。一般也是由演算法人員提供。大公司可能會內部開發一個專門用於數據標注的可視化工具。如：
也有使用開源的數據標注工具的，如推薦 Github 上的小工具labelImg
四、數據標注產品的設計
結合自己做過一款數據標記工具談談設計數據標注工具的幾個小技巧。
一個數據標注工具一般包含：
進度條：用來指示數據標注的進度。標注人員一般都是有任務量要求的，一方面方便標注人員查看進度，一方面方便統計。
標注主體：這個可以根據標注形式進行設計，原則上是越簡潔易用越好。根據標注所需要的注意力可以分為單個標注和多個標注的形式，可根據需求選擇。
數據導入導出功能：如果你的標注工具是直接數據對接到模型上的，可以不需要。
收藏功能：這個可能是沒有接觸過數據標注的不會想到。標注人員常常會出現的一種情況就是疲勞，或者是遇到了那種模稜兩可的數據，則可以先收藏，等後面再標。
質檢機制：在分發數據的時候，可以隨機分發一些已經標注過的數據，來檢測標注人員可靠性。