解决labelme中AI Model Ai Mask Ai Polygon选项下载onnx权重慢或者无法下载问题

新版的labelme中已经内置了AI Model功能，能够通过模型智能识别图像中想要标注的区域，能够显著减少工作量。但是第一次使用这个功能的时候会要下载模型权重，此时一般速度会非常慢，或者出现报错无法下载，下面提出一种解决方法。

如图，有5种模型，每个模型需要分别下载encoder和decoder两个部分的.onnx文件，下载链接分别贴在下面（建议挂上魔法上网，直接复制到浏览器即可启动下载，速度很快，一般几秒钟就能下载完）

1.SegmentAnything (speed)

# encoder
https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_b_01ec64.quantized.encoder.onnx

# decoder
https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_b_01ec64.quantized.decoder.onnx

2.SegmentAnything (balanced)

# encoder
https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_l_0b3195.quantized.encoder.onnx

# decoder
https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_l_0b3195.quantized.decoder.onnx

3.SegmentAnything (accuracy)

# encoder
https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_h_4b8939.quantized.encoder.onnx

# decoder
https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_h_4b8939.quantized.decoder.onnx

4.EfficientSam (speed)

# encoder
https://github.com/labelmeai/efficient-sam/releases/download/onnx-models-20231225/efficient_sam_vitt_encoder.onnx

# decoder
https://github.com/labelmeai/efficient-sam/releases/download/onnx-models-20231225/efficient_sam_vitt_decoder.onnx

5.EfficientSam (accuracy)

# encoder
https://github.com/labelmeai/efficient-sam/releases/download/onnx-models-20231225/efficient_sam_vits_encoder.onnx

# decoder
https://github.com/labelmeai/efficient-sam/releases/download/onnx-models-20231225/efficient_sam_vits_decoder.onnx

下载完成后，复制对应的网址，填入以下代码的url中，并运行代码

# 此处以SegmentAnything (speed)的encoder部分为例
# 那么网址为https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_l_0b3195.quantized.decoder.onnx
# 将该网址填入url中
url = "https://github.com/wkentaro/labelme/releases/download/sam-20230416/sam_vit_l_0b3195.quantized.decoder.onnx"
print(url.replace("/", "-SLASH-")
            .replace(":", "-COLON-")
            .replace("=", "-EQUAL-")
            .replace("?", "-QUESTION-"))

此时终端输出

https-COLON--SLASH--SLASH-github.com-SLASH-wkentaro-SLASH-labelme-SLASH-releases-SLASH-download-SLASH-sam-20230416-SLASH-sam_vit_l_0b3195.quantized.decoder.onnx

在终端中复制输出的字符串，找到前面步骤下载的文件，即：

sam_vit_l_0b3195.quantized.decoder.onnx

将文件重命名为刚刚复制的字符串（注意连同.onnx的扩展名也要一起选定），此时文件名为：

https-COLON--SLASH--SLASH-github.com-SLASH-wkentaro-SLASH-labelme-SLASH-releases-SLASH-download-SLASH-sam-20230416-SLASH-sam_vit_l_0b3195.quantized.decoder.onnx

完成后，将文件复制到（xxx表示你当前的用户名）：

C:\Users\xxx\.cache\gdown

如下图

重新打开labelme即可使用AI Model功能。