阅读说明：本技术 图片标注方法、装置、终端设备及存储介质 (Picture labeling method and device, terminal equipment and storage medium ) 是由 陈应文 丁明 李海荣 陈永辉 于 2020-05-28 设计创作，主要内容包括：本发明公开了一种图片标注方法、装置、终端设备及存储介质,该方法包括：通过预先训练好的目标检测模型,对获取到的每一待标注图片进行目标检测,得到与每一待标注图片对应的ROI图片和ROI位置信息；根据每两张ROI图片之间的相似度对所有ROI图片进行分类,得到若干个ROI图片集合；对于每一ROI图片集合,将在预设图片集合中与该ROI图片集合中任意一张图片的相似度满足预设条件的目标图片的标签,作为该ROI图片集合中所有ROI图片的标签；对于每一待标注图片,根据与该待标注图片对应的ROI图片的标签和ROI位置信息,对该待标注图片进行标注,生成标注后的图片。采用本发明实施例,能够实现图片数据的自动标注。(The invention discloses a picture marking method, a picture marking device, terminal equipment and a storage medium, wherein the method comprises the following steps: performing target detection on each acquired picture to be marked through a pre-trained target detection model to obtain an ROI picture and ROI position information corresponding to each picture to be marked; classifying all ROI pictures according to the similarity between every two ROI pictures to obtain a plurality of ROI picture sets; for each ROI picture set, taking the label of a target picture, of which the similarity with any picture in the ROI picture set meets a preset condition, in a preset picture set as the label of all ROI pictures in the ROI picture set; and for each picture to be labeled, labeling the picture to be labeled according to the label of the ROI picture corresponding to the picture to be labeled and the ROI position information to generate a labeled picture. By adopting the embodiment of the invention, the automatic marking of the picture data can be realized.)

图片标注方法、装置、终端设备及存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种图片标注方法、装置、终端设备及存储介质。

背景技术

在计算机视觉领域，图片数据作为最重要的生产原料，对各种深度学习中神经网络模型的精度起着至关重要的作用。但杂乱无章的图片数据绝大多数情况下并不能为神经网络直接使用，大量标注好的、精准的图片数据才能训练出高精度的神经网络。

目前，训练神经网络所需的图片数据基本上仍然采用的是人工标注的方式。本发明人在实施本发明的过程中发现，现有技术中存在以下技术问题：采用人工标注的方式进行图片标注，耗时长，效率低，人工成本高，相对于深度学习模型动辄要求几十甚至上百万的标注数据，图片标注有时候已经成为制约深度学习快速发展的最大的瓶颈，特别是在快消领域，客户往往要求对特定的商品进行快速建模，如1天内建模学习超过200种品类，如果仍然使用传统的人工标注的话基本无法实现。

发明内容

本发明实施例提供一种图片标注方法、装置、终端设备及存储介质，能有效解决现有技术中因人工标注的方式而导致的图片标注效率低、耗时长的问题。

本发明一实施例提供一种图片标注方法，包括：

获取所有待标注图片；

通过预先训练好的目标检测模型，对每一所述待标注图片进行目标检测，得到与每一所述待标注图片对应的ROI图片和ROI位置信息；

根据每两张所述ROI图片之间的相似度，对所有所述ROI图片进行分类，得到若干个ROI图片集合；

对于每一所述ROI图片集合，若判断到在预设图片集合中存在与该ROI图片集合中任意一张图片的相似度满足预设条件的目标图片，则将所述目标图片的标签作为该ROI图片集合中所有ROI图片的标签；

对于每一所述待标注图片，若判断到存在与该待标注图片对应的ROI图片的标签，则根据与该待标注图片对应的ROI图片的标签和ROI位置信息，对该待标注图片进行标注，生成标注后的图片。

作为上述方案的改进，所述根据每两张所述ROI图片之间的相似度，对所有所述ROI图片进行分类，得到若干个ROI图片集合，具体包括：

获取每一所述ROI图片的特征向量；

根据每两张所述ROI图片的特征向量之间的相似度，对所有所述ROI图片进行分类，得到若干个ROI图片集合。

作为上述方案的改进，所述获取每一所述ROI图片的特征向量，具体包括：

对每一所述ROI图片进行特征提取，得到每一所述ROI图片的高维特征向量；

对每一所述ROI图片的高维特征向量进行降维处理，得到每一所述ROI图片的特征向量。

作为上述方案的改进，所述根据每两张所述ROI图片的特征向量之间的相似度，对所有所述ROI图片进行分类，得到若干个ROI图片集合，具体包括：

步骤S01：对于每一所述ROI图片，根据该ROI图片的特征向量建立该ROI图片的索引；

步骤S02：根据所有所述ROI图片的索引，建立索引列表；

步骤S03：计算所述索引列表中每两条索引之间的相似度；

步骤S04：对于所述索引列表中的每一条索引，在所述索引列表中查找与该索引的相似度最高的M条索引，得到相似索引集合，将所述相似索引集合中与该索引的相似度小于K的索引删除，得到更新后的相似索引集合，并根据所述更新后的相似索引集合和该索引，构建子列表；其中，K为预设相似度阈值，M为正整数；

步骤S05：将得到的子列表进行组合，生成总列表；

步骤S06：将所述总列表中存在交集的子列表合并，得到最终总列表；

步骤S07：判断n是否等于预设聚类次数，若是，则进入步骤S08，若否，则令K＝K/2，令n＝n+1，将所述最终总列表作为所述索引列表，并返回步骤S04；其中，n的初始值为1；

步骤S08：根据所述最终总列表，对所有所述ROI图片进行分类，得到若干个ROI图片集合。

相应地，本发明另一实施例提供一种图片标注装置，包括：

待标注图片获取模块，用于获取所有待标注图片；

目标检测模块，用于通过预先训练好的目标检测模型，对每一所述待标注图片进行目标检测，得到与每一所述待标注图片对应的ROI图片和ROI位置信息；

ROI图片分类模块，用于根据每两张所述ROI图片之间的相似度，对所有所述ROI图片进行分类，得到若干个ROI图片集合；

图片标签获取模块，用于对于每一所述ROI图片集合，若判断到在预设图片集合中存在与该ROI图片集合中任意一张图片的相似度满足预设条件的目标图片，则将所述目标图片的标签作为该ROI图片集合中所有ROI图片的标签；

标注数据生成模块，用于对于每一所述待标注图片，若判断到存在与该待标注图片对应的ROI图片的标签，则根据与该待标注图片对应的ROI图片的标签和ROI位置信息，对该待标注图片进行标注，生成标注后的图片。

作为上述方案的改进，所述ROI图片分类模块，具体包括：

特征向量获取子模块，用于获取每一所述ROI图片的特征向量；

图片集合获取子模块，用于根据每两张所述ROI图片的特征向量之间的相似度，对所有所述ROI图片进行分类，得到若干个ROI图片集合。

作为上述方案的改进，所述特征向量获取子模块，具体包括：

特征提取单元，用于对每一所述ROI图片进行特征提取，得到每一所述ROI图片的高维特征向量；

特征降维单元，用于对每一所述ROI图片的高维特征向量进行降维处理，得到每一所述ROI图片的特征向量。

作为上述方案的改进，所述图片集合获取子模块，具体包括：

图片索引建立单元，用于对于每一所述ROI图片，根据该ROI图片的特征向量建立该ROI图片的索引，并触发索引列表建立单元；

所述索引列表建立单元，用于根据所有所述ROI图片的索引，建立索引列表，并触发索引相似度计算单元；

所述索引相似度计算单元，用于计算所述索引列表中每两条索引之间的相似度，并触发子列表构建单元；

所述子列表构建单元，用于对于所述索引列表中的每一条索引，在所述索引列表中查找与该索引的相似度最高的M条索引，得到相似索引集合，将所述相似索引集合中与该索引的相似度小于K的索引删除，得到更新后的相似索引集合，并根据所述更新后的相似索引集合和该索引，构建子列表；其中，K为预设相似度阈值，M为正整数；

所述子列表组合单元，用于将得到的子列表进行组合，生成总列表，并触发子列表合并单元；

所述子列表合并单元，用于将所述总列表中存在交集的子列表合并，得到最终总列表，并触发判断单元；

所述判断单元，用于判断n是否等于预设聚类次数，若是，则触发图片分类单元，若否，则令K＝K/2，令n＝n+1，将所述最终总列表作为所述索引列表，并触发所述子列表构建单元；其中，n的初始值为1；

所述图片分类单元，用于根据所述最终总列表，对所有所述ROI图片进行分类，得到若干个ROI图片集合。

本发明另一实施例提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任意一项所述的图片标注方法。

本发明另一实施例提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任意一项所述的图片标注方法。

与现有技术相比，本发明实施例公开的图片标注方法、装置、终端设备及存储介质，首先，通过预先训练好的目标检测模型，对获取到的每一待标注图片进行目标检测，得到与每一所述待标注图片对应的ROI图片和ROI位置信息；再根据每两张所述ROI图片之间的相似度，对所有所述ROI图片进行分类，得到若干个ROI图片集合；接着，对于每一所述ROI图片集合，若判断到在预设图片集合中存在与该ROI图片集合中任意一张图片的相似度满足预设条件的目标图片，则将所述目标图片的标签作为该ROI图片集合中所有ROI图片的标签；然后，对于每一所述待标注图片，若判断到存在与该待标注图片对应的ROI图片的标签，则根据与该待标注图片对应的ROI图片的标签和ROI位置信息，对该待标注图片进行标注，生成标注后的图片。本发明实施例能够实现图片数据的自动标注，因此能有效解决现有技术中因人工标注的方式而导致的图片标注效率低、耗时长的问题，从而提高图片标注效率。

附图说明

图1是本发明一实施例提供的一种图片标注方法的流程示意图。

图2是本发明一实施例提供的一种图片标注装置的结构示意图。

图3是本发明一实施例提供的一种终端设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参见图1，是本发明一实施例提供的一种图片标注方法的流程示意图，包括：

S11、获取所有待标注图片；

S12、通过预先训练好的目标检测模型，对每一所述待标注图片进行目标检测，得到与每一所述待标注图片对应的ROI图片和ROI位置信息；

S13、根据每两张所述ROI图片之间的相似度，对所有所述ROI图片进行分类，得到若干个ROI图片集合；

S14、对于每一所述ROI图片集合，若判断到在预设图片集合中存在与该ROI图片集合中任意一张图片的相似度满足预设条件的目标图片，则将所述目标图片的标签作为该ROI图片集合中所有ROI图片的标签；

S15、对于每一所述待标注图片，若判断到存在与该待标注图片对应的ROI图片的标签，则根据与该待标注图片对应的ROI图片的标签和ROI位置信息，对该待标注图片进行标注，生成标注后的图片。

为了便于对本实施例的理解，图片标注的过程具体可以示例为如下所示：

首先，预先根据之前已标注的图片数据或开放的数据集训练一个不区分品类的目标检测模型，从而得到预先建立的目标检测模型，并且，预先根据要标注的种类名称，对若干张对应要标注的种类的图片进行标注，从而建立预设图片集合；其中，可以理解的，预设图片集合中的每张图片都标注有相应种类的标签；接着，在图片标注时，获取所有待标注图片；再接着，通过预先训练好的目标检测模型，对每一所述待标注图片进行目标检测，所述目标检测模型输出与每一所述待标注图片对应的ROI(Region of Interest，感兴趣区域)位置信息，根据与每一所述待标注图片对应的ROI位置信息，将每一所述待标注图片的ROI剪裁成ROI图片，同时保留原始的每一所述待标注图片；然后，计算每两张所述ROI图片之间的相似度，根据每两张所述ROI图片之间的相似度，对所有所述ROI图片进行分类，从而将相似种类的ROI图片划分到一起，得到若干个ROI图片集合，其中，对所有所述ROI图片进行分类的方式有多种，在此不作限定，例如，可以是将两两之间的相似度大于某一阈值的两张ROI图片作为一个集合，从而将所有所述ROI图片分类成若干个ROI图片集合，也可以是将互为相似的若干张图片作为一个集合，从而将所有所述ROI图片分类成若干个ROI图片集合；再然后，对于每一所述ROI图片集合，随机选取其中的一张ROI图片，例如选取其中的第一张ROI图片，计算该第一张ROI图片与预设图片集合中的每一张图片的相似度，判断在预设图片集合中是否存在与该第一张ROI图片的相似度满足预设条件的目标图片，若是，则说明该ROI图片集合中的所有ROI图片的种类与目标图片的种类相同，因此可以是将所述目标图片的标签作为该ROI图片集合中所有ROI图片的标签，若否，则可以是将该ROI图片集合先保存至另一区域，待后续检查，或是直接丢弃；其中，预设条件可以是根据实际情况进行设定，在此不做限制，例如，可以是相似度大于某一阈值，也可以是相似度最高；最后，对于每一所述待标注图片，判断是否存在与该待标注图片对应的ROI图片的标签，若是，则说明已获得该待标注图片的标签，因此可以是根据与该待标注图片对应的ROI图片的标签和ROI位置信息，对该待标注图片进行标注，生成标注后的图片，并且，在标注完成后，还可以是将该标注后的图片移动到对应种类的文件夹中，从而减少后续的数据整理工作，若否，则说明未获得该待标注图片的标签，因此可以是将该待标注图片保存至另一区域，待后续检查或是直接丢弃；其中，所生成的标注后的图片的格式可以是常见的xml、json、csv或txt等。

在一个实施方式中，经过测试，与人工标注相比，使用本发明实施例提出的技术方案，标注15000个框只需要约1个小时，而人工标注大概需要约20小时，大大缩短了标注时间。

本发明实施例提供的图片标注方法，首先，通过预先训练好的目标检测模型，对获取到的每一待标注图片进行目标检测，得到与每一所述待标注图片对应的ROI图片和ROI位置信息；再根据每两张所述ROI图片之间的相似度，对所有所述ROI图片进行分类，得到若干个ROI图片集合；接着，对于每一所述ROI图片集合，若判断到在预设图片集合中存在与该ROI图片集合中任意一张图片的相似度满足预设条件的目标图片，则将所述目标图片的标签作为该ROI图片集合中所有ROI图片的标签；然后，对于每一所述待标注图片，若判断到存在与该待标注图片对应的ROI图片的标签，则根据与该待标注图片对应的ROI图片的标签和ROI位置信息，对该待标注图片进行标注，生成标注后的图片。本发明实施例能够实现图片数据的自动标注，因此能有效解决现有技术中因人工标注的方式而导致的图片标注效率低、耗时长的问题，从而提高图片标注效率。

作为一个可选的实施例，所述步骤S13具体包括：

S131、获取每一所述ROI图片的特征向量。

其中，特征向量的类型包括但不限于SIFT特征点、SURF特征点、AKAZE特征点、全局或区域像素或颜色直方图、神经网络分类模型输出。

S132、根据每两张所述ROI图片的特征向量之间的相似度，对所有所述ROI图片进行分类，得到若干个ROI图片集合。

在该实施例中，通过提取每一所述ROI图片的特征向量，再将每两张所述ROI图片的特征向量之间的相似度作为每两张所述ROI图片的相似度，从而对所有所述ROI图片进行分类，得到若干个ROI图片集合，能够保证每两张所述ROI图片的相似度之间的准确度，从而保证ROI图片分类的准确度，进而保证图片标注的准确度。

进一步地，所述步骤S131具体包括：

S1311、对每一所述ROI图片进行特征提取，得到每一所述ROI图片的高维特征向量。

其中，可以是使用尺度不变特征变换(Scale-invariant feature transform，SIFT)或神经网络模型对每一所述ROI图片进行特征提取，从而得到每一所述ROI图片的高维特征向量。

S1312、对每一所述ROI图片的高维特征向量进行降维处理，得到每一所述ROI图片的特征向量。

其中，一般通过特征提取得到的高维特征向量长度较长，因此可以是(2)针对不同的特征提取方式对每一所述ROI图片的高维特征向量进行PCA(Principal ComponentAnalysis，主成分分析)降维或量化，从而使每一所述ROI图片的特征向量长度降维至5000以下，可选的，本发明使用的特征向量长度是64或2048。

在该实施例中，通过对提取到的每一所述ROI图片的高维特征向量进行降维处理，从而得到每一所述ROI图片的特征向量，能够降低后续相似度计算的复杂度,从而提高图片标注的效率。

进一步地，所述步骤S132具体包括：

步骤S01：对于每一所述ROI图片，根据该ROI图片的特征向量建立该ROI图片的索引，并进入步骤S02；

步骤S02：根据所有所述ROI图片的索引，建立索引列表，并进入步骤S03；

步骤S03：计算所述索引列表中每两条索引之间的相似度，并进入步骤S04；

步骤S04：对于所述索引列表中的每一条索引，在所述索引列表中查找与该索引的相似度最高的M条索引，得到相似索引集合，将所述相似索引集合中与该索引的相似度小于K的索引删除，得到更新后的相似索引集合，根据所述更新后的相似索引集合和该索引，构建子列表，并进入步骤S05；其中，K为预设相似度阈值，M为正整数；

步骤S05：将得到的子列表进行组合，生成总列表，并进入步骤S06；

步骤S06：将所述总列表中存在交集的子列表合并，得到最终总列表，并进入步骤S07；

步骤S07：判断n是否等于预设聚类次数，若是，则进入步骤S08，若否，则令K＝K/2，令n＝n+1，将所述最终总列表作为所述索引列表，并返回步骤S04；其中，n的初始值为1；

步骤S08：根据所述最终总列表，对所有所述ROI图片进行分类，得到若干个ROI图片集合。

其中，将上述步骤S131中获取到的每一所述ROI图片的特征向量按条组合成索引，并建立索引列表，根据欧式距离或余弦距离计算所述索引列表中每两条索引之间的相似度，并对所述索引列表中每条索引进行搜索，搜索与该条索引的相似度最高的M条索引，得到相似索引集合，再根据预设相似度阈值，将相似索引集合中与该条索引的相似度小于该预设相似度阈值的索引过滤掉，最终得到更新后的相似索引集合，再将更新后的相似索引集合中的每条索引和该条索引组合成二维列表，得到与该条索引对应的子列表，从而得到每条索引对应的子列表；其中，M为正整数，在具体实施时可以是根据实际的图片数量确定，在此不做限制。在得到每条索引对应的子列表后，将得到的子列表进行组合，生成总列表，并对总列表中子列表内有交集的所有子列表求并集，具体算法为：(1)从总列表的第一个子列表开始，查找其与剩余子列表是否有交集，如果有则取并集，如果无则将此子列表添加到待处理列表，并继续往下直到处理完所有子列表；(2)对待处理列表重新执行上述步骤(1)，直至再无可合并的子列表。根据上述合并算法中得到一个最终列表，然后将此最终列表作为索引列表，重复步骤S04至S06 N次，但每次重复时将步骤S04中的预设相似度阈值降低一倍，在重复N次后得到最终列表，对于最终列表中的每个子列表，查找该子列表所包含的所有索引对应的ROI图片，并移动到统一文件夹中，从而得到每个ROI图片集合。其中，N为预设聚类次数，在具体实施时，N可以是根据图片种类及数量确定，在此不做限制。

在该实施例中，通过索引的方式对所有所述ROI图片进行分类，能够有效提高数据的检索速度，从而提高图片标注的效率，并且，在分类过程中进行了多次迭代，能够有效提高图片分类的准确度，从而提高图片标注的准确度。

参见图2，是本发明一实施例提供的一种图片标注装置的结构示意图。

本发明实施例提供的图片标注装置，包括：

待标注图片获取模块21，用于获取所有待标注图片；

目标检测模块22，用于通过预先训练好的目标检测模型，对每一所述待标注图片进行目标检测，得到与每一所述待标注图片对应的ROI图片和ROI位置信息；

ROI图片分类模块23，用于根据每两张所述ROI图片之间的相似度，对所有所述ROI图片进行分类，得到若干个ROI图片集合；

图片标签获取模块24，用于对于每一所述ROI图片集合，若判断到在预设图片集合中存在与该ROI图片集合中任意一张图片的相似度满足预设条件的目标图片，则将所述目标图片的标签作为该ROI图片集合中所有ROI图片的标签；

标注数据生成模块25，用于对于每一所述待标注图片，若判断到存在与该待标注图片对应的ROI图片的标签，则根据与该待标注图片对应的ROI图片的标签和ROI位置信息，对该待标注图片进行标注，生成标注后的图片。

本发明实施例提供的图片标注装置实现图片标注的原理与上述方法实施例一致，在此不作赘述。

本发明实施例提供的图片标注装置，首先，通过预先训练好的目标检测模型，对获取到的每一待标注图片进行目标检测，得到与每一所述待标注图片对应的ROI图片和ROI位置信息；再根据每两张所述ROI图片之间的相似度，对所有所述ROI图片进行分类，得到若干个ROI图片集合；接着，对于每一所述ROI图片集合，若判断到在预设图片集合中存在与该ROI图片集合中任意一张图片的相似度满足预设条件的目标图片，则将所述目标图片的标签作为该ROI图片集合中所有ROI图片的标签；然后，对于每一所述待标注图片，若判断到存在与该待标注图片对应的ROI图片的标签，则根据与该待标注图片对应的ROI图片的标签和ROI位置信息，对该待标注图片进行标注，生成标注后的图片。本发明实施例能够实现图片数据的自动标注，因此能有效解决现有技术中因人工标注的方式而导致的图片标注效率低、耗时长的问题，从而提高图片标注效率。

作为一个可选实施例，所述ROI图片分类模块，具体包括：

特征向量获取子模块，用于获取每一所述ROI图片的特征向量；

图片集合获取子模块，用于根据每两张所述ROI图片的特征向量之间的相似度，对所有所述ROI图片进行分类，得到若干个ROI图片集合。

进一步地，所述特征向量获取子模块，具体包括：

特征提取单元，用于对每一所述ROI图片进行特征提取，得到每一所述ROI图片的高维特征向量；

特征降维单元，用于对每一所述ROI图片的高维特征向量进行降维处理，得到每一所述ROI图片的特征向量。

进一步地，所述图片集合获取子模块，具体包括：

图片索引建立单元，用于对于每一所述ROI图片，根据该ROI图片的特征向量建立该ROI图片的索引，并触发索引列表建立单元；

所述索引列表建立单元，用于根据所有所述ROI图片的索引，建立索引列表，并触发索引相似度计算单元；

所述索引相似度计算单元，用于计算所述索引列表中每两条索引之间的相似度，并触发子列表构建单元；

所述子列表构建单元，用于对于所述索引列表中的每一条索引，在所述索引列表中查找与该索引的相似度最高的M条索引，得到相似索引集合，将所述相似索引集合中与该索引的相似度小于K的索引删除，得到更新后的相似索引集合，并根据所述更新后的相似索引集合和该索引，构建子列表；其中，K为预设相似度阈值，M为正整数；

所述子列表组合单元，用于将得到的子列表进行组合，生成总列表，并触发子列表合并单元；

所述子列表合并单元，用于将所述总列表中存在交集的子列表合并，得到最终总列表，并触发判断单元；

所述判断单元，用于判断n是否等于预设聚类次数，若是，则触发图片分类单元，若否，则令K＝K/2，令n＝n+1，将所述最终总列表作为所述索引列表，并触发所述子列表构建单元；其中，n的初始值为1；

所述图片分类单元，用于根据所述最终总列表，对所有所述ROI图片进行分类，得到若干个ROI图片集合。

参见图3，是本发明一实施例提供的一种终端设备的结构示意图。

本发明实施例提供的一种终端设备，包括处理器31、存储器32以及存储在所述存储器32中且被配置为由所述处理器31执行的计算机程序，所述处理器31执行所述计算机程序时实现如上任一实施例所述的图片标注方法。

所述处理器31执行所述计算机程序时实现上述图片标注方法实施例中的步骤，例如图1所示的图片标注方法的所有步骤。或者，所述处理器31执行所述计算机程序时实现上述图片标注装置实施例中各模块/单元的功能，例如图2所示的图片标注装置的各模块的功能。

示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器32中，并由所述处理器31执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。例如，所述计算机程序可以被分割成待标注图片获取模块、目标检测模块、ROI图片分类模块、图片标签获取模块和标注数据生成模块，各模块具体功能如下：待标注图片获取模块，用于获取所有待标注图片；目标检测模块，用于通过预先训练好的目标检测模型，对每一所述待标注图片进行目标检测，得到与每一所述待标注图片对应的ROI图片和ROI位置信息；ROI图片分类模块，用于根据每两张所述ROI图片之间的相似度，对所有所述ROI图片进行分类，得到若干个ROI图片集合；图片标签获取模块，用于对于每一所述ROI图片集合，若判断到在预设图片集合中存在与该ROI图片集合中任意一张图片的相似度满足预设条件的目标图片，则将所述目标图片的标签作为该ROI图片集合中所有ROI图片的标签；标注数据生成模块，用于对于每一所述待标注图片，若判断到存在与该待标注图片对应的ROI图片的标签，则根据与该待标注图片对应的ROI图片的标签和ROI位置信息，对该待标注图片进行标注，生成标注后的图片。

所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器31、存储器32。本领域技术人员可以理解，所述示意图仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器31可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器31是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。

所述存储器32可用于存储所述计算机程序和/或模块，所述处理器31通过运行或执行存储在所述存储器32内的计算机程序和/或模块，以及调用存储在存储器32内的数据，实现所述终端设备的各种功能。所述存储器32可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

其中，所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。

需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。