Agilización de la anotación de imágenes con Ultralytics Platform

Ultralytics ha presentado recientemente Ultralytics Platform, un entorno diseñado para respaldar todo el ciclo de vida del desarrollo de la visión artificial. La plataforma centraliza las herramientas que se utilizan para gestionar las distintas etapas de los flujos de trabajo de IA visual, como la preparación de conjuntos de datos, la anotación de imágenes y vídeos, el entrenamiento de modelos y el despliegue.

A pesar de su creciente adopción en sectores como la conducción autónoma y la sanidad, el desarrollo de soluciones de visión artificial todavía puede percibirse como un proceso fragmentado. Una de las principales razones es que los modelos de visión artificial dependen en gran medida de la calidad de los datos con los que se entrenan. Antes incluso de empezar el entrenamiento, hay que crear, organizar, revisar y etiquetar los conjuntos de datos para que el modelo aprenda qué debe detectar o reconocer.

Cuando se trabaja con datos visuales, este proceso se conoce como anotación de datos o anotación de imágenes. Durante la anotación de imágenes, se marcan partes concretas de una imagen y se les asignan etiquetas que guían al modelo durante el entrenamiento.

Por ejemplo, si el objetivo es detectar perros en imágenes, los anotadores pueden dibujar cuadros delimitadores alrededor de cada perro para indicar dónde aparece. En tareas más detalladas, pueden delinear la forma del perro mediante máscaras de segmentación o marcar puntos clave para captar su postura. Estos ejemplos etiquetados influyen directamente en el rendimiento del modelo una vez desplegado.

Gestionar flujos de trabajo de anotación de imágenes a gran escala puede ser complicado. Los conjuntos de datos grandes suelen requerir criterios de etiquetado coherentes, colaboración entre varios anotadores y herramientas que faciliten revisar y perfeccionar las anotaciones.

Ultralytics Platform reúne todo esto en un editor de anotaciones integrado. Admite varios tipos de tareas de anotación y ofrece a los equipos una forma más sencilla de etiquetar datos y preparar conjuntos de datos de visión artificial en un único flujo de trabajo.

Fig. 1. Vista del editor de anotaciones de Ultralytics Platform (Fuente)

En este artículo veremos cómo el editor de anotaciones de Ultralytics Platform ayuda a los equipos a anotar conjuntos de datos de forma eficiente y agiliza la preparación de datos. ¡Empecemos!

Anotación de datos en visión artificial#

Antes de explorar las herramientas de anotación de imágenes disponibles en Ultralytics Platform, demos un paso atrás para entender qué es la anotación de datos y por qué es importante para crear sistemas de visión artificial.

Los modelos de visión artificial aprenden analizando grandes colecciones de imágenes o vídeos conocidas como conjuntos de datos. Sin embargo, las imágenes sin procesar no proporcionan información suficiente para que un modelo entienda qué debe detectar o reconocer. Para que los datos resulten útiles durante el entrenamiento, hay que etiquetar las imágenes para que el modelo aprenda qué objetos, formas o patrones debe buscar.

Durante la anotación de imágenes, se marcan elementos concretos de una imagen y se les asignan etiquetas que describen lo que debe aprender el modelo. Estos ejemplos etiquetados guían a los modelos y algoritmos de aprendizaje profundo durante el entrenamiento y les ayudan a reconocer patrones similares al procesar imágenes nuevas.

Las distintas tareas de visión artificial requieren diferentes tipos de anotación de imágenes, según la aplicación y el caso de uso. Por ejemplo, los anotadores pueden dibujar cuadros delimitadores alrededor de objetos para la detección de objetos, delinear regiones de una imagen para la segmentación semántica, definir puntos clave para la estimación de pose o asignar etiquetas a toda una imagen para su clasificación.

Gestión y preparación de datos#

La preparación de datos para proyectos de visión artificial suele implicar trabajar con distintos formatos de archivo y organizar conjuntos de datos. También supone asegurarse de que todo está listo para anotar los datos y entrenar algoritmos de aprendizaje automático. En muchos flujos de trabajo, este proceso se reparte entre varias herramientas: los datos se suben, se limpian y se trasladan entre sistemas antes de poder utilizarlos.

Ultralytics Platform simplifica este proceso al gestionar la preparación de datos, el entrenamiento de modelos y el despliegue en un único entorno. Los equipos pueden subir imágenes, vídeos o archivos comprimidos de conjuntos de datos y beneficiarse de un método totalmente personalizable para preparar sus datos con anotaciones manuales o automatizadas mediante IA. Ultralytics Platform admite tanto datos sin procesar como formatos estándar, como YOLO y COCO, lo que facilita iniciar nuevos proyectos. También da acceso a conjuntos de datos existentes en la plataforma, incluidos conjuntos ya anotados que los equipos pueden utilizar para empezar rápidamente nuevos proyectos o experimentos.

Fig. 2. Sube y gestiona conjuntos de datos en un único entorno de Ultralytics Platform. (Fuente)

Una vez que los datos están disponibles, se pueden gestionar directamente en la plataforma. Los desarrolladores pueden revisar imágenes, supervisar el progreso de la anotación y utilizar las visualizaciones integradas para entender la distribución del conjunto de datos e identificar posibles carencias.

La plataforma también admite el control de versiones de conjuntos de datos, lo que ayuda a los equipos a guardar instantáneas de los datos a medida que evolucionan. Así resulta más fácil hacer un seguimiento de los cambios, comparar experimentos y mantener la coherencia durante el entrenamiento.

Una vez preparados los datos, los equipos pueden pasar a anotar las imágenes, etiquetándolas para ayudar a los modelos a aprender qué deben detectar.

Anotación de conjuntos de datos en Ultralytics Platform#

Una vez subidos los datos, el siguiente paso es la anotación. En esta fase se etiquetan los datos de imagen, sentando las bases para entrenar modelos de visión artificial. Ultralytics Platform incluye servicios integrados de anotación de imágenes mediante un editor de anotaciones que permite a los equipos etiquetar y gestionar conjuntos de datos directamente en el mismo entorno.

El editor de anotaciones presenta un espacio de trabajo sencillo en el que los usuarios pueden revisar imágenes, añadir etiquetas y actualizar las anotaciones según sea necesario. Todo está organizado en un mismo lugar, lo que facilita mantener la coherencia de los conjuntos de datos y tenerlos listos para el entrenamiento.

Los equipos pueden subir conjuntos de datos y empezar a etiquetar imágenes directamente en el navegador, definiendo y gestionando clases de anotación para garantizar que las etiquetas sean coherentes en todo el conjunto de datos. A medida que se crean las anotaciones, los usuarios pueden revisarlas visualmente en el editor, lo que facilita comprobar su precisión antes de pasar al entrenamiento del modelo.

Herramientas de anotación de imágenes en Ultralytics Platform#

Ultralytics Platform también incluye varias funciones que facilitan flujos de trabajo eficientes de etiquetado de conjuntos de datos y simplifican el proceso de anotación mediante algoritmos avanzados.

Estas son algunas de las funciones clave disponibles en Ultralytics Platform:

• Anotación manual: Este método permite a los usuarios controlar y personalizar por completo la creación de anotaciones de imágenes, como cuadros delimitadores, regiones de segmentación o puntos clave, directamente sobre las imágenes.
• Etiquetado asistido por IA: Esta función genera automáticamente anotaciones sugeridas y reduce la necesidad de etiquetar manualmente. Utiliza SAM (modelo Segment Anything) para detectar objetos o regiones con un solo clic, agilizando el proceso de anotación y ayudando a los usuarios a revisar y confirmar las sugerencias antes de añadirlas al conjunto de datos.
• Edición de anotaciones: En cualquier momento, los usuarios pueden modificar o perfeccionar las anotaciones de imágenes una vez creadas. Esto ayuda a corregir errores de etiquetado y a mantener la coherencia de las etiquetas del conjunto de datos durante todo el proceso de anotación.
• Gestión de clases: Los equipos y los desarrolladores que trabajan por su cuenta pueden definir y organizar las clases de anotación que se utilizan al etiquetar conjuntos de datos. Esto ayuda a mantener la coherencia de las etiquetas entre imágenes, algo importante para entrenar modelos que reconozcan y diferencien las clases con precisión.

Al combinar herramientas manuales, inteligencia artificial y automatización, Ultralytics Platform ayuda a los usuarios a anotar imágenes de forma más eficiente. También permite preparar datos de entrenamiento de alta calidad para modelos de visión artificial escalables.

Tipos de tareas de anotación admitidos#

Los distintos casos de uso, como el control de calidad de productos, requieren diferentes tipos de anotación según lo que haya que detectar en las imágenes o los vídeos. Como ya hemos mencionado, Ultralytics Platform admite cinco tareas de detección de objetos, cada una con su propio tipo de anotación.

Veamos más de cerca las tareas de anotación que admite la plataforma y cómo se pueden utilizar para etiquetar conjuntos de datos.

Detección de objetos#

La detección de objetos identifica y localiza objetos dentro de una imagen. Los anotadores marcan cada objeto de interés mediante cuadros delimitadores, que indican dónde aparecen los elementos en la imagen.

En el editor de anotaciones, esto se hace con la herramienta de cuadros delimitadores. Los usuarios pueden entrar en el «modo de edición», hacer clic y arrastrar para dibujar un rectángulo alrededor de un objeto y asignarle una etiqueta de clase desde un menú desplegable.

Los cuadros delimitadores se pueden ajustar una vez creados. Los anotadores pueden cambiar su tamaño arrastrando los controles de las esquinas o los bordes, moverlos arrastrando el centro del cuadro o eliminarlos con atajos de teclado. Estas anotaciones ayudan a los modelos de visión a aprender a detectar objetos en distintas escenas y condiciones.

Fig. 3. Anotación de detección de objetos mediante cuadros delimitadores en la plataforma de Ultralytics. (Fuente)

Segmentación de instancias#

La segmentación de instancias proporciona anotaciones más detalladas al definir la forma exacta de los objetos de una imagen. En lugar de dibujar un cuadro sencillo, los anotadores trazan los límites del objeto mediante polígonos para crear máscaras precisas en tareas de segmentación de imágenes.

El editor de anotaciones incluye una herramienta de polígonos para esta tarea. Los anotadores colocan varios vértices alrededor de los bordes de un objeto para delimitar su forma. Una vez colocados los vértices, se puede cerrar el polígono para crear una máscara de segmentación.

Los vértices se pueden ajustar después de crear el polígono. Es posible mover puntos individuales para perfeccionar los límites del objeto y eliminar vértices si es necesario. Estas anotaciones a nivel de píxel ayudan a los modelos a aprender estructuras visuales detalladas y a distinguir entre objetos muy próximos.

Estimación de poses#

Las anotaciones de estimación de pose capturan las posiciones de las articulaciones del cuerpo y las relaciones entre ellas. Esto ayuda a los modelos a comprender la estructura y el movimiento de personas o animales en una imagen.

Con la herramienta de puntos clave, los anotadores colocan puntos que representan articulaciones del cuerpo, como hombros, codos, muñecas, caderas, rodillas y tobillos. La plataforma incluye varias plantillas de esqueletos, entre ellas el formato de pose humana COCO de 17 puntos, además de plantillas para manos, caras, perros y esquinas de cuadros.

Las plantillas permiten colocar un esqueleto completo con un solo clic; después, se pueden ajustar los puntos clave individuales para que coincidan con la pose de la imagen. Cada punto clave también puede incluir un indicador de visibilidad para señalar si está visible u oculto.

Fig. 4. Anotación de estimación de pose mediante puntos clave y plantillas de esqueletos. (Fuente)

Cuadros delimitadores orientados (OBB)#

Los cuadros delimitadores orientados van un paso más allá de los cuadros delimitadores tradicionales, ya que admiten rotación. Este tipo de anotación resulta útil cuando los objetos aparecen inclinados en lugar de alineados con el marco de la imagen.

En el editor de anotaciones, los anotadores pueden usar la herramienta de cuadros delimitadores orientados para dibujar rectángulos girados alrededor de los objetos. Tras dibujar el cuadro inicial, se puede ajustar el ángulo con un controlador de rotación y cambiar el tamaño del cuadro con los controladores de las esquinas.

Las anotaciones giradas se utilizan a menudo en imágenes aéreas, conjuntos de datos de inspección industrial y otras situaciones en las que los objetos aparecen en diagonal o desde distintos puntos de vista.

Fig. 5. Anotación con cuadros delimitadores orientados (OBB) para objetos girados en imágenes aéreas. (Fuente)

Clasificación de imágenes#

La clasificación de imágenes asigna una etiqueta a toda la imagen, en lugar de marcar los objetos individuales que contiene.

Para los conjuntos de datos de clasificación, el editor de anotaciones ofrece un panel de selección de clases. Los anotadores pueden asignar etiquetas a las imágenes seleccionando una clase en la barra lateral o usando atajos de teclado para etiquetar más rápido.

Estas etiquetas a nivel de imagen ayudan a los modelos a aprender patrones visuales de alto nivel que representan distintas categorías.

Anotación asistida por IA con SAM#

Etiquetar imágenes para tareas como la segmentación suele requerir un trabajo minucioso y detallado, sobre todo cuando hay que delimitar los objetos con precisión. Ultralytics Platform incluye herramientas de anotación asistida por IA que agilizan el proceso y mantienen las anotaciones precisas y fáciles de revisar.

Por ejemplo, los anotadores pueden interactuar con una imagen haciendo clic en las partes de un objeto que quieran incluir en la anotación. También pueden marcar las áreas que deban excluirse para perfeccionar el resultado. A partir de estas indicaciones, el modelo genera una máscara de segmentación en tiempo real, que después se puede revisar y ajustar antes de guardarla.

Este método facilita el trabajo con imágenes complejas sin tener que trazar manualmente cada detalle. Al mismo tiempo, los anotadores mantienen el control del resultado final y garantizan que las anotaciones sean coherentes en todo el conjunto de datos.

Fig. 6. Segmentación asistida por IA con la herramienta de anotación inteligente de Ultralytics Platform. (Fuente)

Estas funciones se basan en los modelos Segment Anything (SAM). Estos modelos forman parte de un ecosistema más amplio de herramientas de visión artificial de código abierto diseñadas para generar segmentaciones de alta calidad con indicaciones mínimas. La plataforma admite varias versiones de SAM, incluidas SAM 2.1 y SAM 3. Esto ofrece a los equipos flexibilidad para elegir entre una mayor velocidad y resultados más detallados, según sus necesidades.

Estas herramientas asistidas por IA pueden aplicarse a tareas como la detección de objetos, la segmentación de instancias y la detección de cajas delimitadoras orientadas. Así, los equipos pueden procesar grandes conjuntos de datos de forma más eficiente y mantener la calidad necesaria para entrenar modelos fiables. También se pueden anotar automáticamente conjuntos de datos de detección con modelos de lenguaje y visión y revisarlos antes del entrenamiento.

Mejora de los flujos de trabajo de anotación con herramientas integradas#

A medida que avanza el trabajo de anotación, es habitual volver atrás para ajustar etiquetas, corregir errores o revisar imágenes con más atención. El editor de anotaciones de Ultralytics incluye herramientas integradas que facilitan estas tareas cotidianas y reducen el tiempo que requieren.

Entre las funciones del flujo de trabajo disponibles en el editor se incluyen:

• Atajos de teclado: El editor incluye atajos que agilizan acciones habituales, como guardar anotaciones, deshacer o rehacer cambios, eliminar etiquetas y seleccionar clases mientras se anota.
• Historial para deshacer y rehacer: Los anotadores pueden revertir o restaurar fácilmente los cambios realizados durante una sesión de edición. Esto permite a los equipos probar distintas anotaciones y corregir errores rápidamente sin perder el progreso, lo que mejora el control de calidad durante la preparación del conjunto de datos.
• Edición flexible de anotaciones: Las anotaciones se pueden ajustar incluso después de crearlas. Los usuarios pueden cambiar el tamaño de las formas, mover anotaciones, girar cuadros delimitadores orientados o actualizar las etiquetas de clase según sea necesario, especialmente al perfeccionar objetos con formas irregulares.
• Controles de visibilidad: El editor incluye controles que permiten mostrar u ocultar anotaciones y etiquetas de clase, lo que facilita la inspección de imágenes durante el etiquetado.
• Herramientas de precisión: Funciones como el zoom y un cursor en forma de cruz con coordenadas de píxel ayudan a los anotadores a colocar las etiquetas con más precisión al trabajar con imágenes detalladas.

Gestión de clases de anotación en Ultralytics Platform#

Las clases de anotación claras y coherentes son fundamentales para crear conjuntos de datos fiables de visión artificial. A medida que crecen los proyectos, gestionar el etiquetado de datos en grandes conjuntos de datos puede resultar difícil, sobre todo si participan varios anotadores. Mantener las clases bien organizadas ayuda a garantizar que las anotaciones sean coherentes y que los modelos aprendan de datos estructurados.

Ultralytics Platform simplifica este proceso al integrar la gestión de clases directamente en el editor de anotaciones. En lugar de gestionar las etiquetas por separado, los equipos pueden crear, actualizar y revisar clases mientras trabajan con las imágenes, lo que facilita mantener la coherencia durante todo el flujo de trabajo de anotación.

En el editor, todas las clases están disponibles en una barra lateral junto al lienzo de anotación. Así, resulta fácil seleccionar la etiqueta correcta al anotar y llevar un seguimiento del uso de las clases en todo el conjunto de datos. Los usuarios pueden buscar clases existentes o crear otras nuevas cuando lo necesiten, sin interrumpir su flujo de trabajo.

Los detalles de las clases también se pueden actualizar en cualquier momento. Los nombres se pueden editar directamente y se pueden asignar colores para identificar mejor las distintas clases en las anotaciones. El editor también muestra cuántas anotaciones están vinculadas a cada clase y permite revisarlas, lo que ayuda a los equipos a comprobar la coherencia y la precisión.

Todas las clases se gestionan en una tabla centralizada desde la que se pueden ordenar, buscar y actualizar. Los cambios que se hagan aquí se aplican automáticamente en todo el conjunto de datos, lo que ayuda a los equipos a mantener la coherencia a medida que crecen los proyectos de anotación.

Fig. 7. La gestión de clases en el editor de anotaciones muestra la organización de las etiquetas y la personalización de los colores. (Fuente)

Cómo afecta la calidad de las anotaciones al rendimiento en el mundo real#

Cuando los sistemas de visión artificial pasan del desarrollo al uso en el mundo real, la calidad de los datos anotados influye de forma decisiva en el rendimiento de los modelos. Los conjuntos de datos bien etiquetados ayudan a los modelos a generar predicciones más precisas y coherentes, especialmente en entornos dinámicos o impredecibles.

En la práctica, incluso pequeñas incoherencias en las anotaciones pueden afectar al comportamiento del modelo. Las diferencias en la forma de etiquetar los objetos o de tratar los casos límite quizá no sean evidentes durante el entrenamiento, pero pueden dar lugar a predicciones menos fiables una vez que se despliegan los sistemas.

Además, estas incoherencias pueden hacerse más evidentes en aplicaciones del mundo real. Por ejemplo, en robótica y en sistemas sanitarios, los modelos se basan en datos visuales para detectar objetos y guiar acciones en tiempo real. Las variaciones en el etiquetado pueden influir en la precisión con la que estos sistemas interpretan su entorno.

Al mantener prácticas de anotación coherentes y utilizar plataformas como Ultralytics para gestionar y perfeccionar los conjuntos de datos con el tiempo, los equipos pueden crear modelos que funcionen de forma más fiable fuera de los entornos de prueba controlados.

Conclusiones clave#

Las anotaciones de datos de alta calidad son esenciales para entrenar modelos precisos de visión artificial y sacar adelante proyectos de anotación de imágenes. Ultralytics Platform simplifica este proceso con un potente editor de anotaciones compatible con varias tareas de visión. Al combinar herramientas de anotación manual con el etiquetado asistido por IA mediante SAM y funciones integradas para los flujos de trabajo, los equipos pueden preparar conjuntos de datos con más eficiencia y pasar más rápido de la preparación de datos al desarrollo de modelos.

Únete a nuestra comunidad y explora el repositorio de GitHub para aprender más sobre modelos de visión artificial. Descubre aplicaciones como la IA en la automoción y la visión artificial en robótica en nuestras páginas de soluciones. Consulta nuestras opciones de licencia y empieza a crear tu propio modelo de IA para visión.