语义分割选择使用多边形框标注，相对于物体检测它多了一项计算mask掩膜的需求。
一个图片，可能会进行多项标注。每项标注里面都会在物体检测的格式基础上增加mask属性，mask解释为图像掩膜，里面存与图像宽高对应大小的二维数组。
此二维数组可理解为将图片每个像素分成行列，每行为一个子数组。图像上的每个像素点对应二维数组中一个元素。
使用多边形框对图像进行语义分割类型的标注。
若像素点位置落在标注框内，框内的像素点位置坐标的值为1，框外的值为0。

安排此项内容由前端直接统一计算得出。

实现基础思路

1. 在AILabel标注插件之上，能知道图片本身的宽高，能知道图片标注区域所在的范围
2. 根据宽高能初始化对应一个二维数组，从左上角起始每个像素对应其中一个元素

0 0 0
0 0 0
0 0 0

可以看到每个像素都是有对应坐标的。没有标注的时候这些像素位置对应的值都是0

3. 根据标注框，能计算出在标注框范围内的像素点对应哪些坐标。将这些位置的坐标替换为1

掩膜计算

上述思路在实现过程中难点在于最后一条，怎么将多边形框起来的区域每个像素的位置在二维数组中置为1。

在GIS领域，判断点是否在多边形范围内是一个基础方法，这里主要说下实现原理。
原理比较简单，就是有一个GIS理论，一个点向一个方向发送射线，射线与多边形各个边相交的交点如果是奇数说明点在多边形范围内。

用工具画框时是有顺序的，先后画的两个点是挨着的，所以确定挨着的两个元素能够构成一条边。

可能会遇到的问题是：如果多边形的边比较多，图片比较大，那可能会很卡。
因此针对这个问题可以再考虑一些优化方案。

基础方案

作横向射线，如果交点数为0，那么当前行所有像素都不必再判断，可直接断定不会在多边形内。

优化方案

根据已有多边形的点，计算出多边形的外矩形框边界，这样判断的范围就更小了。
这种思路，不需要遍历所有，只要关注这个矩形区域内像素点坐标的判断即可。

1. 以图片宽高初始化二维数组
2. 以标注区域的外围矩形框的左上角开始遍历、右下角终止，逐一判断每个像素点是否落在矩形框内。如果是则相应位置置为1，否则为0