Una guía sobre la anotación de polígonos con la Ultralytics Platform

Las tecnologías de IA de vanguardia están llegando a una amplia gama de sectores, desde la conducción autónoma hasta la agricultura de precisión. Por ejemplo, los ganaderos utilizan IA y análisis de imágenes para detectar enfermedades en el ganado. Problemas de salud como la cojera pueden controlarse observando los cambios en el paso y la postura de un animal, como el lomo arqueado y el movimiento asimétrico.

Fig 1. Ejemplo de monitorización de vacas mediante IA y análisis de imágenes.

Computer vision, una rama de la inteligencia artificial, permite estas aplicaciones al facultar a las máquinas para interpretar y analizar datos visuales. Específicamente, la instance segmentation es una tarea de computer vision que identifica y segmenta cada objeto en una imagen a nivel de píxel, lo que permite detectar y analizar con precisión animales individuales.

La anotación de polígonos desempeña un papel clave en este proceso. Es un método de anotación de datos que se utiliza para trazar cuidadosamente la forma exacta de un objeto en una imagen colocando puntos a lo largo de sus bordes. A diferencia de las simples anotaciones de bounding box, este enfoque sigue el contorno real del objeto, lo que ayuda a crear datos de entrenamiento más precisos y permite que los modelos de vision AI comprendan mejor los límites de los objetos.

Hoy en día, existen muchas herramientas disponibles para crear anotaciones de polígonos. Sin embargo, estas opciones a menudo pueden parecer fragmentadas, especialmente cuando ofrecen un soporte inconsistente o limitado para diferentes tipos de anotaciones, lo que dificulta la gestión de diversas necesidades de etiquetado dentro de un mismo flujo de trabajo.

Ultralytics Platform, nuestro nuevo espacio de trabajo de vision AI integral que cierra la brecha entre la gestión de datasets, la anotación, el entrenamiento, el despliegue y la monitorización, resuelve esto mediante el soporte de múltiples tipos de anotación y flujos de trabajo asistidos por IA en un espacio de trabajo único y fluido, simplificando todo el proceso de anotación.

En este artículo, exploraremos qué son las anotaciones de polígonos y cómo crearlas utilizando Ultralytics Platform. ¡Empecemos!

Link to this sectionUn vistazo más de cerca a la anotación de polígonos#

Antes de sumergirnos en Ultralytics Platform y sus funciones de anotación de polígonos, demos un paso atrás y comprendamos qué es la anotación de polígonos.

La image annotation es el proceso de añadir etiquetas a los datos visuales para que los modelos de IA puedan entender lo que están viendo. Normalmente implica identificar objetos en una imagen y marcarlos de forma que un modelo pueda aprender de ellos.

Uno de los métodos más comunes es dibujar cajas rectangulares alrededor de los objetos, conocidas como bounding boxes. Sin embargo, las bounding boxes solo proporcionan un contorno aproximado de un objeto. La anotación de polígonos es un enfoque más preciso.

Funciona delineando un objeto (sus bordes) punto por punto en lugar de encerrarlo en una caja. Para ello, los anotadores colocan múltiples vértices (puntos) a lo largo de los bordes de un objeto, trazando su contorno hasta que toda la forma queda cubierta.

Estos puntos conectados forman un polígono que refleja el contorno natural del objeto. Dado que la forma sigue de cerca el límite del objeto, la anotación captura detalles que los métodos de etiquetado tradicionales suelen pasar por alto. Esto es especialmente útil cuando los objetos tienen formas irregulares o bordes complejos, como hojas, siluetas humanas y objetos superpuestos.

Tal precisión en los datos ayuda a los modelos de machine learning a aprender con mayor eficacia durante el entrenamiento del modelo. Cuando las anotaciones capturan con precisión los límites reales de un objeto, los modelos pueden entender mejor los patrones del objeto a nivel de píxel. Esto conduce a un mejor rendimiento del modelo, especialmente en tareas de segmentación que requieren una alta precisión.

Link to this sectionEl papel de las anotaciones de polígonos en los flujos de trabajo de computer vision#

Entonces, ¿cómo se utilizan realmente las anotaciones de polígonos? Están estrechamente relacionadas con los vision AI models que admiten tareas de segmentación de imágenes como la instance segmentation.

En muchas aplicaciones de computer vision, es esencial conocer el área exacta que ocupa cada objeto en una imagen o fotograma de vídeo. Un buen ejemplo es la detección de piezas de automóviles en la fabricación. En este caso, los modelos necesitan identificar y delinear con precisión piezas como puertas, ventanas y faros, incluso cuando se superponen o tienen formas complejas.

Aquí es donde entra en juego la instance segmentation. Permite a los modelos detectar cada objeto y mapear sus límites exactos a nivel de píxel. Esto es diferente de la object detection básica, que utiliza bounding boxes.

Fig 2. La instance segmentation también puede ayudar a distinguir las piezas dañadas de un coche. (Source)

Las bounding boxes solo proporcionan regiones rectangulares aproximadas alrededor de los objetos y a menudo incluyen fondo extra, lo que dificulta la captura de formas irregulares o la separación de elementos superpuestos.

La anotación de polígonos desempeña un papel vital a la hora de permitir este nivel de precisión. Trazar la forma exacta de cada objeto en las imágenes del dataset crea datos de entrenamiento de alta calidad que reflejan los verdaderos límites del objeto. Estas anotaciones detalladas ayudan a modelos como Ultralytics YOLO26 a entender mejor la estructura de cada componente, lo que conduce a resultados de segmentación más precisos.

Link to this sectionLimitaciones de las herramientas tradicionales de anotación de imágenes#

A continuación, vamos a analizar las limitaciones de las herramientas de anotación tradicionales para entender la necesidad de soluciones más eficientes y escalables como Ultralytics Platform.

Aquí tienes algunos retos comunes a los que se enfrentan los anotadores cuando utilizan herramientas tradicionales de anotación de polígonos:

• Soporte limitado para tipos de anotación: Algunas herramientas se centran en una única técnica de anotación, lo que dificulta trabajar con diferentes tipos como polígonos, bounding boxes y keypoints en un solo lugar.
• Manejo ineficiente de anotaciones complejas: Las herramientas pueden carecer de funciones que faciliten la anotación precisa de objetos complejos con detalles finos.
• Falta de funciones asistidas por IA: Muchas herramientas dependen totalmente del trabajo manual, sin soporte de IA integrado para acelerar la anotación.
• Gestión fragmentada de datasets: Gestionar datasets, versiones y anotaciones puede ser difícil, especialmente cuando las herramientas no proporcionan un espacio de trabajo centralizado.

Ultralytics Platform aborda estas preocupaciones con funciones de anotación asistidas por IA impulsadas tanto por Segment Anything Models (SAM) como por modelos YOLO. SAM permite a los usuarios generar máscaras de segmentación de alta calidad a partir de entradas simples como clics, que luego pueden refinarse en anotaciones de polígonos precisas.

Del mismo modo, la anotación inteligente basada en YOLO utiliza modelos YOLO preentrenados o entrenados a medida para realizar inferencias en una imagen y añadir predicciones, como bounding boxes, máscaras de segmentación o oriented bounding boxes, como anotaciones, que luego pueden revisarse y ajustarse según sea necesario. Juntas, estas capacidades hacen que el proceso de anotación sea más rápido, consistente y fácil de escalar.

Link to this sectionDiferentes tipos de anotaciones soportadas por Ultralytics Platform#

Ultralytics Platform incluye un editor de anotación integrado que permite a los usuarios anotar imágenes directamente dentro del espacio de trabajo. Esto facilita la creación y gestión de datasets sin depender de herramientas de etiquetado de datos independientes y, a menudo, lentas.

Además de las anotaciones de polígonos, Ultralytics Platform admite otros tipos de anotación. Aquí tienes un resumen rápido:

• Bounding boxes: Los anotadores pueden dibujar cajas rectangulares simples alrededor de los objetos, lo que facilita su etiquetado y detección en una imagen.
• Keypoints: Este método se utiliza para marcar puntos específicos, como articulaciones corporales o puntos de referencia, para tareas como la estimación de pose.
• Oriented bounding boxes (OBBs): Permiten a los usuarios capturar objetos rotados o en ángulo con mayor precisión en comparación con las bounding boxes estándar.
• Etiquetas de clasificación: Para tareas más sencillas, los usuarios pueden asignar etiquetas a imágenes completas en lugar de marcar objetos individuales.

Link to this sectionAnotación de objetos con polígonos en Ultralytics Platform#

Ahora, veamos cómo crear anotaciones de polígonos en Ultralytics Platform, ya sea manualmente o con herramientas asistidas por IA.

Link to this sectionCreación manual de anotaciones de polígonos en Ultralytics Platform#

Aquí tienes una guía rápida paso a paso para crear anotaciones de polígonos manualmente:

• Paso 1 - Navega hasta tu dataset: Abre el dataset que contiene las imágenes que deseas anotar. Aquí es donde se almacenan y gestionan tus imágenes y anotaciones.
• Paso 2 - Abre una imagen: Haz clic en una imagen para abrirla en la interfaz de anotación. El flujo de trabajo de anotación depende de la tarea del dataset. Por ejemplo, en un dataset de instance segmentation, las anotaciones se crean mediante máscaras de polígono.
• Paso 3 – Empieza a crear una máscara: Haz clic en la imagen para empezar a anotar. Cada clic añade un vértice a lo largo del límite del objeto.
• Paso 4 – Traza el contorno del objeto: Continúa haciendo clic alrededor de los bordes del objeto para definir su forma.
• Paso 5 – Completa el polígono: Puedes pulsar "Enter" o hacer clic en el primer punto para completar el polígono y asignar una etiqueta de clase.
• Paso 6 – Añade anotaciones adicionales: Repite el proceso para crear más polígonos para otros objetos en la imagen.
• Paso 7 – Guardar anotaciones: Las anotaciones se guardan automáticamente a medida que las creas.

Fig 3. Un vistazo a la creación manual de anotaciones de polígonos mediante Ultralytics Platform (Source)

Link to this sectionAnotación inteligente de polígonos en Ultralytics Platform#

A continuación, veamos las funciones de etiquetado asistido por IA soportadas por Ultralytics Platform que aceleran el proceso de anotación.

La plataforma ofrece dos enfoques para la anotación inteligente: uno impulsado por Segment Anything Models para la generación de anotaciones interactiva basada en clics, y otro impulsado por modelos YOLO para añadir predicciones del modelo directamente como anotaciones. Ambos enfoques pueden utilizarse para la anotación inteligente de polígonos.

Link to this sectionAnotación inteligente utilizando SAM dentro de Ultralytics Platform#

La anotación asistida por SAM en Ultralytics Platform simplifica el etiquetado manual utilizando el Segment Anything Model (SAM) para generar máscaras de segmentación con una entrada mínima. En lugar de trazar objetos punto por punto, los usuarios pueden interactuar con la imagen utilizando prompts sencillos como clics para indicar qué debe incluirse o excluirse.

La plataforma admite múltiples modelos SAM, incluyendo SAM 2.1 y SAM 3, permitiendo a los usuarios elegir entre un rendimiento más rápido o una mayor precisión según sus necesidades. Basándose en la entrada del usuario, SAM genera máscaras a nivel de píxel en tiempo real. Estas máscaras pueden entonces refinarse y utilizarse como anotaciones de polígonos, haciendo el proceso más rápido, consistente y fácil de escalar.

Aquí tienes los pasos para usar SAM para la anotación de polígonos en Ultralytics Platform:

• Paso 1 – Abre una imagen: Navega hasta tu dataset y haz clic en una imagen para iniciar el visor a pantalla completa.
• Paso 2 – Entra en el modo de anotación: Haz clic en "Edit", luego cambia al modo Smart (o pulsa S) para activar SAM.
• Paso 3 – Selecciona un modelo SAM: Elige un modelo SAM de la barra de herramientas según tus necesidades de velocidad y precisión.
• Paso 4 – Proporciona prompts: Haz clic izquierdo para añadir puntos positivos (incluir áreas) y clic derecho para añadir puntos negativos (excluir áreas).
• Paso 5 – Genera y aplica la máscara: SAM predice una máscara de segmentación en tiempo real. Pulsa "Enter" (o utiliza la aplicación automática) para aplicar la anotación.
• Paso 6 – Refina la anotación: Añade más puntos o ajusta el resultado si es necesario para mejorar la precisión antes de guardar.

Fig 4. Anotación de polígonos asistida por SAM dentro de Ultralytics Platform (Source)

Link to this sectionAnotación inteligente utilizando YOLO dentro de Ultralytics Platform#

La anotación inteligente basada en YOLO en Ultralytics Platform acelera el etiquetado utilizando modelos Ultralytics YOLO preentrenados o ajustados para generar predicciones sobre una imagen y añadirlas como anotaciones. Estas predicciones pueden incluir bounding boxes, máscaras de segmentación o oriented bounding boxes, dependiendo de la tarea del dataset.

Los usuarios pueden entonces revisar y refinar estas anotaciones según sea necesario. Aquí tienes un resumen de los pasos a seguir para utilizar la anotación inteligente basada en YOLO en Ultralytics Platform:

• Paso 1 – Abre una imagen: Navega hasta tu dataset y selecciona una imagen para abrirla en el visor a pantalla completa.
• Paso 2 – Entra en el modo de anotación: Haz clic en "Edit", luego cambia al modo Smart (o pulsa S).
• Paso 3 – Selecciona un modelo YOLO: Elige un modelo YOLO del selector de modelos en la barra de herramientas.
• Paso 4 – Ejecuta la predicción: Haz clic en "Predict" para dejar que el modelo genere anotaciones automáticamente.
• Paso 5 – Revisa las anotaciones: Inspecciona las bounding boxes, máscaras de segmentación u OBBs predichas añadidas a la imagen.
• Paso 6 – Refina y guarda: Edita, ajusta o elimina las anotaciones incorrectas según sea necesario, luego guarda tus etiquetas finales.

Fig 5. Un vistazo al uso de la anotación inteligente YOLO (Source)

Link to this sectionCasos de uso reales de la anotación de polígonos#

La anotación de polígonos está teniendo un impacto real en diversos sectores, desde el control de calidad en la fabricación hasta la agricultura y la sanidad. Exploremos algunas aplicaciones clave en el mundo real.

Link to this sectionIdentificación de la detección de plagas mediante computer vision#

En la agricultura, el control de la salud de los cultivos es fundamental para mejorar el rendimiento y reducir las pérdidas. Detectar áreas infectadas por plagas en las hojas de los cultivos puede ser complicado, ya que estas regiones suelen tener formas irregulares y límites poco claros.

Este tipo de problema puede abordarse utilizando técnicas de segmentación de imágenes como la segmentación semántica, que etiqueta todos los píxeles que pertenecen a una clase (como las áreas infectadas), o la instance segmentation, que separa los contornos de los objetos con mayor precisión.

Con Ultralytics Platform, los usuarios pueden utilizar la anotación de polígonos para trazar la forma exacta de estas áreas infectadas. Esto ayuda a crear datasets más precisos y facilita que los algoritmos de vision AI detecten patrones sutiles en entornos agrícolas.

Como resultado, los equipos pueden crear mejores datos de entrenamiento que ayuden a los modelos a identificar exactamente dónde están presentes las infestaciones de plagas. Esto es más eficaz que el uso de bounding boxes, que pueden incluir partes de la hoja que no están afectadas.

Link to this sectionAnálisis de imágenes médicas potenciado por instance segmentation#

Al igual que con la pest detection en la agricultura, incluso pequeñas diferencias en los límites pueden afectar a cómo se analizan enfermedades como el cáncer en medical imaging. Esto es especialmente crucial a la hora de identificar anomalías sanitarias como tumores en tomografías computarizadas.

Los métodos de anotación tradicionales pueden pasar por alto bordes finos o incluir tejido circundante, lo que puede reducir la precisión. Con Ultralytics Platform, los equipos pueden utilizar la anotación de polígonos para trazar con precisión estas regiones en los datos de entrenamiento, ayudando a los modelos a producir una segmentación de tumores más precisa y fiable.

Link to this sectionConclusiones clave#

La anotación de polígonos es clave cuando los modelos necesitan entender las formas de los objetos en las imágenes con alta precisión. Ayuda a representar formas complejas con mayor exactitud, especialmente cuando se utiliza Ultralytics Platform. Combinando la precisión con herramientas potentes, los equipos pueden construir modelos de IA más fiables y de alto rendimiento.

¿Listo para llevar la vision AI a tus proyectos? Únete a nuestra community y descubre AI in the automotive y vision AI in robotics. Explora nuestro GitHub repository para saber más. ¡Consulta nuestras licensing options para empezar hoy mismo!