Guía de anotación con polígonos en Ultralytics Platform

Las tecnologías de IA más avanzadas están llegando a una amplia variedad de sectores, desde la conducción autónoma hasta la agricultura de precisión. Por ejemplo, los ganaderos de vacuno lechero utilizan la IA y el análisis de imágenes para detectar enfermedades en el ganado. Los problemas de salud, como la cojera, se pueden vigilar observando cambios en la marcha y la postura de un animal, como el arqueamiento del lomo y los movimientos asimétricos.

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

La visión artificial, una rama de la inteligencia artificial, permite desarrollar estas aplicaciones al capacitar a las máquinas para interpretar y analizar datos visuales. En concreto, la segmentación de instancias es una tarea de visión artificial que identifica y segmenta cada objeto de una imagen a nivel de píxel, lo que permite detectar y analizar animales individuales con precisión.

La anotación con polígonos desempeña un papel fundamental en este proceso. Es un método de anotación de datos que permite trazar cuidadosamente la forma exacta de un objeto en una imagen colocando puntos a lo largo de sus bordes. A diferencia de las anotaciones sencillas con cajas delimitadoras, este método sigue el contorno real del objeto, lo que ayuda a crear datos de entrenamiento más precisos y permite que los modelos de IA visual comprendan mejor los límites de los objetos.

Hoy en día hay muchas herramientas para crear anotaciones con polígonos. Sin embargo, estas opciones suelen estar fragmentadas, especialmente cuando ofrecen una compatibilidad limitada o incoherente con distintos tipos de anotación, lo que dificulta gestionar diversas necesidades de etiquetado dentro de un mismo flujo de trabajo.

Ultralytics Platform, nuestro nuevo espacio de trabajo integral de IA visual que conecta la gestión de conjuntos de datos, la anotación, el entrenamiento, la implementación y la supervisión, resuelve este problema al admitir varios tipos de anotación y flujos de trabajo asistidos por IA en un único espacio de trabajo integrado, lo que simplifica todo el proceso de anotación.

En este artículo, veremos qué son las anotaciones con polígonos y cómo crearlas con Ultralytics Platform. ¡Empecemos!

Un análisis más detallado de la anotación con polígonos#

Antes de profundizar en Ultralytics Platform y sus funciones de anotación con polígonos, demos un paso atrás y entendamos qué es la anotación con polígonos.

La anotación de imágenes consiste en añadir etiquetas a datos visuales para que los modelos de IA puedan entender lo que ven. Normalmente, implica identificar objetos en una imagen y marcarlos de una forma que permita al modelo aprender de ellos.

Uno de los métodos más habituales consiste en dibujar cajas rectangulares alrededor de los objetos, conocidas como cajas delimitadoras. Sin embargo, las cajas delimitadoras solo ofrecen un contorno aproximado del objeto. La anotación con polígonos es un método más preciso.

Este método consiste en delimitar un objeto (sus bordes) punto por punto, en lugar de encerrarlo en una caja. Para ello, quienes anotan colocan varios vértices (puntos) a lo largo de los bordes del objeto y trazan su contorno hasta cubrir toda la forma.

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

Esta precisión de los datos ayuda a los modelos de aprendizaje automático a aprender con mayor eficacia durante el entrenamiento. Cuando las anotaciones reflejan con precisión los límites reales de un objeto, los modelos pueden comprender mejor sus patrones a nivel de píxel. Esto mejora el rendimiento del modelo, especialmente en tareas de segmentación que requieren una gran precisión.

El papel de las anotaciones con polígonos en los flujos de trabajo de visión artificial#

Entonces, ¿cómo se utilizan realmente las anotaciones con polígonos? Están estrechamente relacionadas con los modelos de IA visual que admiten tareas de segmentación de imágenes, como la segmentación de instancias.

En muchas aplicaciones de visión artificial, es fundamental conocer el área exacta que ocupa cada objeto en una imagen o un fotograma de vídeo. La detección de piezas de automóviles en la fabricación es un buen ejemplo. En este caso, los modelos deben identificar y delimitar con precisión piezas como puertas, ventanas y faros, incluso cuando se superponen o tienen formas complejas.

Aquí es donde entra en juego la segmentación de instancias. Permite que los modelos detecten cada objeto y tracen sus límites exactos a nivel de píxel. Esto es distinto de la detección de objetos básica, que utiliza cajas delimitadoras.

Fig. 2. La segmentación de instancias también puede ayudar a distinguir las piezas dañadas de un coche. (Fuente)

Las cajas delimitadoras solo ofrecen regiones rectangulares aproximadas alrededor de los objetos y suelen incluir partes del fondo, lo que dificulta captar formas irregulares o separar elementos superpuestos.

La anotación con polígonos es fundamental para alcanzar este nivel de precisión. Trazar la forma exacta de cada objeto en las imágenes del conjunto de datos permite crear datos de entrenamiento de alta calidad que reflejan los límites reales de los objetos. Estas anotaciones detalladas ayudan a modelos como Ultralytics YOLO26 a comprender mejor la estructura de cada componente y obtener resultados de segmentación más precisos.

Limitaciones de las herramientas tradicionales de anotación de imágenes#

A continuación, repasaremos las limitaciones de las herramientas tradicionales de anotación para entender por qué hacen falta soluciones más eficientes y escalables, como Ultralytics Platform.

Estos son algunos de los problemas habituales a los que se enfrentan quienes anotan datos al utilizar herramientas tradicionales de anotación con polígonos:

• Compatibilidad limitada con distintos tipos de anotación: Algunas herramientas se centran en una única técnica de anotación, lo que dificulta trabajar con distintos tipos, como polígonos, cajas delimitadoras y puntos clave, en un mismo lugar.
• Gestión ineficaz de anotaciones complejas: Puede que las herramientas carezcan de funciones que faciliten anotar con precisión objetos complejos y con muchos detalles.
• Falta de funciones asistidas por IA: Muchas herramientas dependen por completo del trabajo manual y no incluyen funciones de IA que agilicen la anotación.
• Gestión fragmentada de conjuntos de datos: Gestionar conjuntos de datos, versiones y anotaciones puede resultar complicado, especialmente cuando las herramientas no ofrecen un espacio de trabajo centralizado.

Ultralytics Platform aborda estos problemas con funciones de anotación asistida por IA basadas tanto en modelos Segment Anything (SAM) como en modelos YOLO. SAM permite generar máscaras de segmentación de alta calidad a partir de entradas sencillas, como clics, que después se pueden perfeccionar hasta obtener anotaciones precisas con polígonos.

Del mismo modo, la anotación inteligente basada en YOLO utiliza modelos YOLO preentrenados o entrenados de forma personalizada para ejecutar inferencias sobre una imagen y añadir predicciones como anotaciones, por ejemplo, cajas delimitadoras, máscaras de segmentación o cajas delimitadoras orientadas, que después se pueden revisar y ajustar según sea necesario. En conjunto, estas funciones agilizan el proceso de anotación, lo hacen más uniforme y facilitan ampliarlo.

Tipos de anotación compatibles con Ultralytics Platform#

Ultralytics Platform incluye un editor de anotaciones integrado que permite a los usuarios anotar imágenes directamente en el espacio de trabajo. Esto facilita crear y gestionar conjuntos de datos sin depender de herramientas independientes de etiquetado de datos, que a menudo consumen mucho tiempo.

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

• Cajas delimitadoras: Los anotadores pueden dibujar cajas rectangulares sencillas alrededor de los objetos, lo que facilita etiquetarlos y detectarlos en una imagen.
• Puntos clave: Este método se utiliza para marcar puntos específicos, como articulaciones del cuerpo o puntos de referencia, en tareas como la estimación de pose.
• Cajas delimitadoras orientadas (OBBs): Permiten capturar objetos girados o inclinados con mayor precisión que las cajas delimitadoras estándar.
• Etiquetas de clasificación: Para tareas más sencillas, los usuarios pueden asignar etiquetas a imágenes completas en vez de marcar objetos individuales.

Anotación de objetos con polígonos en Ultralytics Platform#

Veamos ahora cómo crear anotaciones poligonales en Ultralytics Platform, ya sea manualmente o con herramientas asistidas por IA.

Creación manual de anotaciones poligonales en Ultralytics Platform#

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

• Paso 1 - Ve a tu conjunto de datos: Abre el conjunto de datos que contiene las imágenes que quieres anotar. Aquí 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 conjunto de datos. Por ejemplo, en un conjunto de datos de segmentación de instancias, las anotaciones se crean con máscaras poligonales.
• 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 contorno del objeto.
• Paso 4 – Traza el contorno del objeto: Sigue 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 asignarle una etiqueta de clase.
• Paso 6 – Añade más anotaciones: Repite el proceso para crear más polígonos para otros objetos de la imagen.
• Paso 7 – Guarda las anotaciones: Las anotaciones se guardan automáticamente a medida que las creas.

Fig. 3. Ejemplo de creación manual de anotaciones poligonales con Ultralytics Platform (Fuente)

Anotación poligonal inteligente en Ultralytics Platform#

A continuación, veremos las funciones de etiquetado asistido por IA compatibles con Ultralytics Platform que aceleran el proceso de anotación.

La plataforma ofrece dos métodos de anotación inteligente: uno basado en Segment Anything Models, que genera anotaciones interactivas mediante clics, y otro basado en modelos YOLO, que añade directamente las predicciones de los modelos como anotaciones. Ambos métodos se pueden usar para la anotación poligonal inteligente.

Anotación inteligente con SAM en Ultralytics Platform#

La anotación asistida por SAM en Ultralytics Platform simplifica el etiquetado manual mediante el Modelo Segment Anything (SAM), que genera máscaras de segmentación con una intervención mínima. En vez de trazar los objetos punto por punto, los usuarios pueden interactuar con la imagen mediante indicaciones sencillas, como hacer clic para señalar qué se debe incluir o excluir.

La plataforma es compatible con varios modelos SAM, incluidos SAM 2.1 y SAM 3, para que los usuarios puedan elegir entre mayor velocidad o más precisión según sus necesidades. A partir de las indicaciones del usuario, SAM genera máscaras a nivel de píxel en tiempo real. Después, estas máscaras se pueden ajustar y utilizar como anotaciones poligonales, lo que agiliza el proceso, lo hace más coherente y facilita su escalado.

Estos son los pasos para utilizar SAM en la anotación poligonal en Ultralytics Platform:

• Paso 1 – Abre una imagen: Ve a tu conjunto de datos y haz clic en una imagen para abrir el visor a pantalla completa.
• Paso 2 – Entra en el modo de anotación: Haz clic en «Edit» y, después, cambia al modo Smart (o pulsa S) para activar SAM.
• Paso 3 – Selecciona un modelo SAM: Elige un modelo SAM en la barra de herramientas según tus necesidades de velocidad y precisión.
• Paso 4 – Añade indicaciones: Haz clic con el botón izquierdo para añadir puntos positivos (incluir zonas) y con el botón derecho para añadir puntos negativos (excluir zonas).
• 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 – Ajusta la anotación: Añade más puntos o modifica el resultado si hace falta para mejorar la precisión antes de guardar.

Fig. 4. Anotación poligonal asistida por SAM en Ultralytics Platform (Fuente)

Anotación inteligente con YOLO en Ultralytics Platform#

La anotación inteligente basada en YOLO en Ultralytics Platform acelera el etiquetado al utilizar modelos Ultralytics YOLO preentrenados o modelos YOLO ajustados para generar predicciones sobre una imagen y añadirlas como anotaciones. Estas predicciones pueden incluir cajas delimitadoras, máscaras de segmentación o cajas delimitadoras orientadas, según la tarea del conjunto de datos.

A continuación, los usuarios pueden revisar y ajustar estas anotaciones según sea necesario. Aquí tienes un resumen de los pasos para utilizar la anotación inteligente basada en YOLO en Ultralytics Platform:

• Paso 1 – Abre una imagen: Ve a tu conjunto de datos y selecciona una imagen para abrirla en el visor a pantalla completa.
• Paso 2 – Entra en el modo de anotación: Haz clic en «Edit» y, después, cambia al modo Smart (o pulsa S).
• Paso 3 – Selecciona un modelo YOLO: Elige un modelo YOLO en el selector de modelos de la barra de herramientas.
• Paso 4 – Ejecuta la predicción: Haz clic en «Predict» para que el modelo genere anotaciones automáticamente.
• Paso 5 – Revisa las anotaciones: Inspecciona las cajas delimitadoras, las máscaras de segmentación o las OBB predichas que se han añadido a la imagen.
• Paso 6 – Ajusta y guarda: Edita, ajusta o elimina las anotaciones incorrectas según sea necesario y, después, guarda las etiquetas definitivas.

Fig. 5. Ejemplo del uso de la anotación inteligente con YOLO (Fuente)

Casos prácticos de anotación poligonal en el mundo real#

La anotación poligonal está teniendo un impacto real en distintos sectores, desde el control de calidad en la fabricación hasta la agricultura y la sanidad. Veamos algunas aplicaciones prácticas clave.

Detección de plagas con visión artificial#

En agricultura, vigilar la salud de los cultivos es fundamental para mejorar el rendimiento y reducir las pérdidas. Detectar las zonas de las hojas afectadas por plagas puede ser complicado, ya que suelen tener formas irregulares y límites poco definidos.

Este tipo de problema se puede abordar con técnicas de segmentación de imágenes, como la segmentación semántica, que etiqueta todos los píxeles de una clase (por ejemplo, las zonas afectadas), o la segmentación de instancias, que delimita los contornos de los objetos con mayor precisión.

Con Ultralytics Platform, los usuarios pueden utilizar la anotación poligonal para trazar la forma exacta de estas zonas afectadas. Esto ayuda a crear conjuntos de datos más precisos y facilita que los algoritmos de IA visual detecten patrones sutiles en entornos agrícolas.

Así, los equipos pueden crear mejores datos de entrenamiento para que los modelos identifiquen con precisión dónde hay plagas. Este método es más eficaz que utilizar cajas delimitadoras, que pueden incluir partes de la hoja que no están afectadas.

Análisis de imágenes médicas mediante segmentación de instancias#

Al igual que en la detección de plagas en agricultura, incluso las pequeñas diferencias en los límites pueden influir en el análisis de enfermedades como el cáncer en las imágenes médicas. Esto es especialmente importante para identificar anomalías médicas, como tumores en tomografías computarizadas.

Los métodos de anotación tradicionales pueden pasar por alto bordes definidos o incluir el tejido circundante, lo que reduce la precisión. Con Ultralytics Platform, los equipos pueden utilizar la anotación poligonal para trazar estas zonas con precisión en los datos de entrenamiento, lo que ayuda a los modelos a segmentar tumores con mayor precisión y fiabilidad.

Conclusiones clave#

La anotación poligonal es fundamental cuando los modelos necesitan comprender con gran precisión las formas de los objetos en las imágenes. Ayuda a representar formas complejas con más precisión, especialmente con Ultralytics Platform. Al combinar precisión y herramientas potentes, los equipos pueden crear modelos de IA más fiables y eficaces.

¿Quieres incorporar la IA visual a tus proyectos? Únete a nuestra comunidad y descubre la IA en el sector de la automoción y la IA visual en robótica. Explora nuestro repositorio de GitHub para obtener más información. Consulta nuestras opciones de licencia para empezar hoy mismo.