Agiliza la anotación de imágenes con Ultralytics Platform

Ultralytics ha presentado recientemente Ultralytics Platform, un entorno diseñado para dar soporte a todo el ciclo de vida del desarrollo de visión artificial. La plataforma centraliza las herramientas utilizadas para gestionar las distintas fases de los flujos de trabajo de IA para visión, incluida la preparación de datasets, 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, crear soluciones de visión artificial todavía puede percibirse como un proceso fragmentado. Una de las razones principales 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 comenzar el entrenamiento, es necesario crear, organizar, revisar y etiquetar los datasets para que el modelo aprenda qué debe detectar o reconocer.

Al trabajar 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 BBox alrededor de cada perro para mostrar dónde aparece. En tareas más detalladas, pueden delimitar la forma del perro mediante máscaras de segmentación o marcar puntos clave para capturar 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 resultar complicado. Los datasets grandes suelen requerir estándares de etiquetado coherentes, colaboración entre varios anotadores y herramientas que faciliten la revisión y el perfeccionamiento de las anotaciones.

Ultralytics Platform reúne todo esto mediante 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 datasets de visión artificial dentro de 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 datasets 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, hagamos una pausa para entender qué es la anotación de datos y por qué es importante al crear sistemas de visión artificial.

Los modelos de visión artificial aprenden analizando grandes colecciones de imágenes o vídeos conocidas como datasets. Sin embargo, las imágenes sin procesar por sí solas no proporcionan suficiente información para que un modelo entienda qué debe detectar o reconocer. Para que los datos sean útiles para el entrenamiento, las imágenes deben etiquetarse mediante el etiquetado de datos, de modo 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 qué 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 BBox alrededor de objetos para la detección de objetos, delimitar regiones de una imagen para la segmentación semántica, definir puntos clave para la estimación de postura o asignar etiquetas a una imagen completa para su clasificación.

Gestión y preparación de datos#

Preparar datos para proyectos de visión artificial suele implicar trabajar con varios formatos de archivo y organizar datasets. También incluye asegurarse de que todo esté listo para la anotación y el entrenamiento de algoritmos de machine learning. En muchos flujos de trabajo, este proceso se reparte entre varias herramientas: los datos se cargan, limpian y trasladan entre sistemas antes de poder utilizarlos.

Ultralytics Platform simplifica este proceso gestionando la preparación de datos, el entrenamiento de modelos y el despliegue dentro de un único entorno. Los equipos pueden cargar imágenes, vídeos o archivos comprimidos de datasets y beneficiarse de un enfoque 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 proporciona acceso a datasets existentes en la plataforma, incluidos datasets anotados que los equipos pueden utilizar para iniciar rápidamente nuevos proyectos o experimentos.

Fig. 2. Carga y gestión de datasets en un único entorno en Ultralytics Platform. (Fuente)

Una vez disponibles los datos, pueden gestionarse directamente en la plataforma. Los desarrolladores pueden revisar imágenes, supervisar el progreso de la anotación y utilizar visualizaciones integradas para comprender la distribución del dataset e identificar posibles carencias.

La plataforma también admite el versionado de datasets, lo que ayuda a los equipos a capturar instantáneas de sus datos a medida que evolucionan. Esto facilita el seguimiento de cambios, la comparación de experimentos y el mantenimiento de la coherencia durante el entrenamiento.

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

Anotación de datasets en Ultralytics Platform#

Una vez cargados los datos, el siguiente paso es la anotación. Aquí es donde se etiquetan los datos de imagen, sentando las bases para entrenar posteriormente 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 datasets directamente dentro del mismo entorno.

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

Los equipos pueden cargar datasets 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 dataset. 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 funcionalidades que permiten realizar flujos de trabajo eficientes de etiquetado de datasets, simplificando el proceso de anotación mediante algoritmos avanzados.

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

• Anotación manual: Este enfoque permite a los usuarios tener un control y una flexibilidad totales al crear anotaciones de imágenes, como BBox, regiones de segmentación o puntos clave, directamente sobre las imágenes.
• Etiquetado asistido por IA: Esta función genera automáticamente anotaciones sugeridas, reduciendo la necesidad de realizar el etiquetado 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 dataset.
• Edición de anotaciones: En cualquier momento, los usuarios pueden modificar o perfeccionar las anotaciones de imágenes después de crearlas. Esto ayuda a corregir errores de etiquetado y a mantener la coherencia de las etiquetas del dataset durante todo el proceso de anotación.
• Gestión de clases: Los equipos y los desarrolladores individuales pueden definir y organizar las clases de anotación utilizadas durante el etiquetado de datasets. Esto ayuda a mantener la coherencia de las etiquetas entre imágenes, algo importante para entrenar modelos capaces de reconocer y diferenciar con precisión distintas clases.

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 compatibles#

Los distintos casos de uso, como la garantía de calidad de productos, requieren diferentes tipos de anotación según lo que deba detectarse en las imágenes o vídeos. Como hemos mencionado anteriormente, 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 compatibles con la plataforma y cómo pueden utilizarse para etiquetar datasets.

Detección de objetos#

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

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

Los BBox pueden ajustarse después de crearlos. Los anotadores pueden cambiar su tamaño arrastrando los controladores de las esquinas o los bordes, moverlos arrastrando el centro del cuadro o eliminarlos mediante 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 BBox en Ultralytics Platform. (Fuente)

Segmentación de instancias#

La segmentación de instancias proporciona anotaciones más detalladas al definir la forma exacta de los objetos dentro de una imagen. En lugar de dibujar un cuadro sencillo, los anotadores trazan los límites del objeto mediante una anotación poligonal para crear máscaras precisas destinadas a 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, el polígono puede cerrarse para crear una máscara de segmentación.

Los vértices pueden ajustarse 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 que aparecen muy juntos.

Estimación de pose#

Las anotaciones de estimación de postura 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.

Mediante la herramienta de puntos clave, los anotadores colocan puntos clave que representan articulaciones corporales como hombros, codos, muñecas, caderas, rodillas y tobillos. La plataforma admite varias plantillas de esqueletos integradas, incluido el formato de postura humana de 17 puntos de COCO, además de plantillas para manos, caras, perros y esquinas de cuadros.

Las plantillas permiten colocar un diseño de esqueleto completo con un solo clic, tras lo cual pueden ajustarse puntos clave individuales para adaptarlos a la postura de la imagen. Cada punto clave también puede incluir un indicador de visibilidad para señalar si es visible u ocluido.

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

BBox orientados (OBB)#

Los BBox orientados llevan los BBox tradicionales un paso más allá al admitir rotación. Este tipo de anotación resulta útil cuando los objetos aparecen en ángulo en lugar de estar alineados con el marco de la imagen.

En el editor de anotaciones, los anotadores pueden utilizar la herramienta de BBox orientados para dibujar rectángulos girados alrededor de los objetos. Después de dibujar el cuadro inicial, se puede utilizar un controlador de rotación para ajustar el ángulo, mientras que los controladores de las esquinas permiten cambiar su tamaño.

Las anotaciones giradas se utilizan a menudo en imágenes aéreas, datasets de inspección industrial y otros escenarios en los que los objetos aparecen en diagonal o desde distintos puntos de vista.

Fig. 5. Anotación de BBox orientados (OBB) para objetos girados en imágenes aéreas. (Fuente)

Clasificación de imágenes#

La clasificación de imágenes asigna una etiqueta a una imagen completa en lugar de marcar objetos individuales dentro de ella.

Para los datasets de clasificación, el editor de anotaciones ofrece un panel selector de clases. Los anotadores pueden asignar etiquetas a las imágenes seleccionando una clase en la barra lateral o utilizando 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, especialmente cuando es necesario delimitar los objetos con precisión. Ultralytics Platform incluye herramientas de anotación asistida por IA que aceleran el proceso, manteniendo 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 deben excluirse para perfeccionar el resultado. A partir de estas indicaciones, el modelo genera una máscara de segmentación en tiempo real, que después puede revisarse y ajustarse antes de guardarla.

Este enfoque facilita el trabajo con imágenes complejas sin tener que trazar manualmente cada detalle. Al mismo tiempo, los anotadores mantienen el control sobre el resultado final, garantizando que las anotaciones sean coherentes en todo el dataset.

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

Estas funciones utilizan 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 a partir de una entrada mínima. La plataforma admite varias variantes de SAM, incluidas SAM 2.1 y SAM 3. Esto ofrece a los equipos flexibilidad para elegir entre un rendimiento más rápido 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 mediante BBox orientados. Esto permite a los equipos procesar datasets grandes de forma más eficiente y mantener al mismo tiempo la calidad necesaria para un entrenamiento fiable de modelos.

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

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

Entre las funciones de 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 durante la anotación.
• Historial de deshacer y rehacer: Los anotadores pueden revertir o restaurar fácilmente los cambios realizados durante una sesión de edición. Esto ayuda a los equipos a experimentar con las anotaciones y corregir rápidamente los errores sin perder el progreso, mejorando el control de calidad durante la preparación de datasets.
• Edición flexible de anotaciones: Las anotaciones pueden ajustarse incluso después de crearlas. Los usuarios pueden cambiar el tamaño de las formas, mover anotaciones, girar BBox orientados o actualizar etiquetas de clase según sea necesario, especialmente al perfeccionar objetos con formas irregulares.
• Controles de visibilidad: El editor incluye controles de visibilidad que permiten mostrar u ocultar anotaciones y etiquetas de clase, facilitando 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 mayor precisión al trabajar con imágenes detalladas.

Gestión de clases de anotación en Ultralytics Platform#

Unas clases de anotación claras y coherentes desempeñan un papel importante en la creación de datasets fiables de visión artificial. A medida que crecen los proyectos, gestionar el etiquetado de datos en datasets grandes puede resultar difícil, especialmente cuando participan varios anotadores. Mantener las clases bien organizadas ayuda a garantizar que las anotaciones sean coherentes y que los modelos aprendan a partir de datos estructurados.

Ultralytics Platform simplifica este proceso integrando 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 las clases mientras trabajan con las imágenes, lo que facilita mantener la coherencia durante todo el flujo de trabajo de anotación.

Dentro del editor, todas las clases están disponibles en una barra lateral junto al lienzo de anotación. Esto facilita seleccionar la etiqueta correcta durante la anotación y hacer un seguimiento del uso de las clases en todo el dataset. Los usuarios pueden buscar clases existentes o crear otras nuevas según sea necesario, sin interrumpir su flujo de trabajo.

Los detalles de las clases también pueden actualizarse en cualquier momento. Los nombres pueden editarse directamente y se pueden asignar colores para facilitar la identificación de las distintas clases en las anotaciones. El editor también muestra cuántas anotaciones están vinculadas a cada clase y permite revisarlas, ayudando a los equipos a comprobar la coherencia y la precisión.

Todas las clases se gestionan mediante una tabla centralizada en la que pueden ordenarse, buscarse y actualizarse. Cualquier cambio realizado aquí se aplica automáticamente en todo el dataset, 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 colores. (Fuente)

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

A medida que los sistemas de visión artificial pasan del desarrollo al uso en el mundo real, la calidad de los datos anotados desempeña un papel fundamental en el rendimiento de los modelos. Los datasets 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 la anotación pueden afectar al comportamiento del modelo. Las diferencias en la forma de etiquetar los objetos o de gestionar los casos límite pueden no ser evidentes durante el entrenamiento, pero pueden dar lugar a predicciones menos fiables cuando los sistemas se despliegan.

Además, estas incoherencias pueden hacerse más visibles en aplicaciones del mundo real. Por ejemplo, en sistemas de robótica y sanidad, los modelos dependen de entradas 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 datasets con el tiempo, los equipos pueden crear modelos que funcionen de forma más fiable fuera de entornos de prueba controlados.

Conclusiones clave#

La anotación de datos de alta calidad es esencial para entrenar modelos precisos de visión artificial y respaldar proyectos de anotación de imágenes satisfactorios. Ultralytics Platform simplifica este proceso con un potente editor de anotaciones compatible con varias tareas de visión. Al combinar herramientas de anotación manual con etiquetado asistido por IA mediante SAM y funciones integradas de flujo de trabajo, los equipos pueden preparar datasets de forma más eficiente y avanzar más rápidamente desde la preparación de datos hasta el desarrollo de modelos.

Únete a nuestra comunidad y explora el repositorio de GitHub para obtener más información sobre los modelos de visión artificial. Lee sobre 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.