图像标注经常用于图像分类、对象检测、对象识别、图像分割、机器学习和计算机视觉模型。它是用于为模型创建可靠数据集以供训练的技术。

图像分类是一种机器学习模型，它要求图像有一个单一的标签来识别整个图像。图像分类模型的图像标注过程旨在识别数据集图像中相似对象的存在。

它用于训练AI 模型以识别未标记图像中的对象，该对象看起来与用于训练模型的带标注图像中的类相似。用于图像分类的训练图像也称为标记。因此，图像分类旨在简单地识别特定对象的存在并为其预定义的类别命名。

图像分类不同于目标检测。目标检测的目的是识别和定位目标，而图像分类的目的是目标属性，对图像划分到不同分类。

对象检测或识别模型将图像分类更进一步，以找到图像中对象的存在、位置和数量。对于这种类型的模型，图像标注过程需要在每张图像中每个检测到的对象周围绘制边界，使我们能够定位图像中存在的对象的准确位置和数量。因此，主要区别在于在图像中检测类而不是将整个图像归类为一个类（图像分类）。

类别位置是类别之外的一个参数，而在图像分类中，图像内的类别位置是无关紧要的，因为整个图像被识别为一个类别。可以使用边界框或多边形等标签对图像内的对象进行标注。

图像分割是一种图像标注，涉及将图像分割成多个片段。图像分割用于定位图像中的对象和边界（线、曲线等）。它在像素级别执行，将图像中的每个像素分配给特定的对象或类。它用于在分类输入方面需要更高准确性的项目。

图像分割进一步分为以下三类：

语义分割描绘了相似对象之间的边界。当需要非常精确地了解图像中对象的存在、位置和大小或形状时，可以使用此方法。

实例分割识别图像中对象的存在、位置、数量以及大小或形状。因此，实例分割有助于标记图像中每个对象的存在。

全景分割结合了语义和实例分割。因此，全景分割提供为图像内的背景（语义分割）和对象（实例分割）标记的数据。

这种类型的图像标注标识图像内对象的线条或边界。边界可以包括特定对象的边缘或图像中存在的地形区域。

一旦图像被正确标注，它就可以用来识别未标注图像中的相似模式。边界识别在自动驾驶汽车的安全运行中起着重要作用。

在许多计算机视觉应用中，神经网络常常需要识别输入图像中重要的感兴趣的点。我们把这些点称为地标或关键点。例如：可对人脸关键点、人体骨骼关键点、人脸五官等进行关键点标注。

支持曲线和普通线段标注，支持对车道线进行曲线标注，使用线段将图像目标的边缘、轮廓用线段标注。