Comprender por qué la anotación con participación humana es clave

Hace veinte años, si alguien decía que estaba pensando en conseguir un robot para que le ayudara en casa, habría sonado realmente descabellado. Sin embargo, estamos inmersos en el auge de la IA y los robots se están probando en escenarios similares.

Un campo clave de la IA que impulsa este progreso es la visión por ordenador, que permite a las máquinas comprender imágenes y vídeos. En otras palabras, los modelos de visión por ordenador, como Ultralytics YOLO11 y el próximo Ultralytics YOLO26, pueden entrenarse con conjuntos de datos formados por datos visuales y anotaciones.

Estas anotaciones ayudan al modelo a comprender los datos visuales. Por ejemplo, los conjuntos de datos de detección de objetos utilizan cuadros delimitadores para dibujar rectángulos alrededor de los objetos de interés. Esto permite al modelo detectar y localizar esos objetos en imágenes nuevas, incluso cuando la escena está abarrotada o el objeto está parcialmente oculto.

Otras tareas de visión por ordenador dependen de distintos tipos de anotaciones. Los conjuntos de datos de segmentación etiquetan el contorno exacto de un objeto a nivel de píxel, mientras que los conjuntos de datos de puntos clave marcan puntos de referencia específicos, como las articulaciones de una persona.

Sin embargo, en todos estos formatos, un factor crucial es la calidad y la coherencia de las etiquetas. Los modelos aprenden directamente de los datos con los que se entrenan, por lo que, si las etiquetas son incoherentes o incorrectas, el modelo suele trasladar esos errores a sus predicciones.

Incluso con la automatización, los conjuntos de datos anotados por personas siguen siendo cruciales, especialmente en ámbitos de alto riesgo como la imagen médica. Pequeños errores de etiquetado, como un límite impreciso de un tumor o una anomalía pasada por alto, pueden enseñar al modelo un patrón incorrecto y dar lugar a predicciones inseguras más adelante. Los expertos humanos aportan la verdad de referencia precisa y el criterio que requieren estas aplicaciones.

Fig. 1. Se necesitan conjuntos de datos anotados por personas. Imagen del autor.

En este artículo, analizaremos con más detalle por qué los datos anotados por personas son esenciales, incluso mientras la IA sigue avanzando.

La necesidad de anotar imágenes y vídeos#

Los modelos de visión por ordenador aprenden de forma parecida a nosotros: viendo muchos ejemplos. La diferencia es que aprenden entrenándose con grandes conjuntos de datos de imágenes y vídeos que las personas etiquetan de antemano. Esas etiquetas actúan como verdad de referencia y enseñan al modelo cosas como «esto es un peatón», «aquí está el límite de un tumor» o «ese objeto es un coche».

Las imágenes del mundo real rara vez son limpias o uniformes. La iluminación puede cambiar y hacer que el mismo objeto parezca diferente. Las personas y los vehículos pueden solaparse o estar parcialmente ocultos. Los fondos pueden estar recargados y distraer. Cuando los conjuntos de datos incluyen etiquetas cuidadosas y coherentes en estas situaciones, los modelos están mucho mejor preparados para lo que encontrarán fuera de entornos controlados.

La anotación de datos también consiste en algo más que dibujar cuadros o trazar contornos. Implica aplicar directrices y tomar decisiones prácticas sobre qué se considera el objeto, dónde debe estar su límite y qué hacer cuando algo no está claro. Ese criterio humano mantiene los datos precisos y utilizables.

En última instancia, un sistema de visión por ordenador solo rinde tan bien como los datos etiquetados de los que aprende. En aplicaciones de gran impacto, como detectar cáncer en exploraciones o identificar peligros en la carretera para coches autónomos, las etiquetas precisas de personas cualificadas marcan una diferencia real en la precisión y la seguridad.

El auge de la automatización en la anotación de datos#

A medida que la visión por ordenador crece y los conjuntos de datos aumentan, la automatización se está convirtiendo en una forma habitual de acelerar la anotación. En lugar de etiquetarlo todo manualmente, los equipos utilizan modelos de IA para generar una primera tanda de etiquetas.

Después, las personas revisan los resultados, corrigen los errores y gestionan los casos que el modelo no puede etiquetar con confianza. Este enfoque acelera la anotación y mantiene una alta calidad.

Estas son algunas formas habituales en las que la automatización ayuda con la anotación de datos:

• Segmentación automática: Los modelos pueden sugerir automáticamente contornos de objetos o máscaras a nivel de píxel, lo que reduce la cantidad de trazado manual que deben realizar los anotadores.
• Seguimiento mediante flujo óptico: En el caso de los vídeos, los métodos de seguimiento pueden seguir un objeto en movimiento a través de los fotogramas y trasladar su etiqueta, lo que ayuda a mantener la coherencia de las anotaciones a lo largo del tiempo.
• Interpolación de fotogramas: Las herramientas pueden completar las etiquetas de los fotogramas situados entre dos fotogramas etiquetados utilizando indicios de movimiento y seguimiento, de modo que los anotadores no tengan que etiquetar todos y cada uno de los fotogramas.
• Aprendizaje activo: Las canalizaciones de entrenamiento pueden identificar los ejemplos que el modelo considera inciertos o inusuales y enviárselos primero a las personas, para que el esfuerzo manual se dedique a los datos que más mejoran el rendimiento.

Por qué la anotación de datos por personas sigue siendo tan crucial#

Aunque la automatización puede acelerar el etiquetado, los modelos de IA siguen necesitando el criterio humano para mantener la precisión y la fiabilidad.

Estas son algunas áreas clave en las que la experiencia humana influye en la anotación de datos:

• Comprender el contexto: Las imágenes y los vídeos reales suelen ser complejos. Las sombras, los reflejos, el desenfoque de movimiento y los objetos superpuestos pueden confundir a las herramientas automatizadas. Los anotadores humanos pueden interpretar lo que ocurre realmente, de modo que las etiquetas son más precisas.
• Mantener la coherencia de las etiquetas: A medida que crecen los conjuntos de datos, las etiquetas automatizadas pueden desviarse o variar entre lotes. Las personas pueden auditar, corregir y armonizar las etiquetas para que el conjunto de datos mantenga la coherencia de principio a fin.
• Reducir los sesgos y los perjuicios: Las personas detectan mejor el contenido sensible, los matices culturales y los patrones que podrían introducir sesgos. Su supervisión ayuda a crear conjuntos de datos más justos y evita perjuicios no intencionados.
• Aplicar conocimientos especializados: Algunas tareas requieren conocimientos del ámbito, como identificar anomalías médicas o defectos industriales. Los expertos pueden proporcionar etiquetas precisas y resolver casos ambiguos para que el modelo aprenda los detalles correctos.

Una visión general de la anotación con intervención humana#

Las herramientas y plataformas de anotación como Roboflow integran la automatización para acelerar el etiquetado, a menudo mediante modelos fundacionales como Segment Anything Model 3 o SAM3. SAM3 es el modelo fundacional de segmentación orientado mediante indicaciones de Meta AI.

Puede detectar, segmentar y seguir objetos en imágenes y vídeos a partir de indicaciones sencillas, como clics, cuadros delimitadores o frases de texto breves, y generar máscaras de segmentación para los objetos correspondientes sin necesidad de entrenamientos específicos para cada nueva categoría.

Incluso con estos enfoques de vanguardia, los expertos humanos siguen siendo necesarios para revisar y finalizar las anotaciones. Cuando las herramientas automatizadas generan un primer borrador y las personas lo verifican, corrigen y perfeccionan, el flujo de trabajo se conoce como anotación con intervención humana. Esto mantiene la rapidez de la anotación y garantiza que las etiquetas finales sean lo bastante precisas y coherentes para entrenar modelos fiables.

Fig. 2. Una mirada a la anotación con intervención humana. (Fuente)

Cuándo funciona la automatización de la anotación y cuándo no#

La anotación automatizada funciona mejor con datos procedentes de lugares controlados. Las imágenes tomadas en fábricas, almacenes o pasillos de tiendas suelen tener una iluminación estable y vistas despejadas de los objetos, por lo que las herramientas automatizadas pueden etiquetarlas con precisión y ayudar a los equipos a escalar más rápido con menos trabajo manual.

Los datos procedentes de lugares menos controlados son más complejos. Las imágenes exteriores cambian según la hora del día y el tiempo, y las escenas de calles o viviendas suelen incluir desorden, desenfoque de movimiento, objetos que se bloquean entre sí y muchos solapamientos. Los objetos pequeños, los límites precisos o las situaciones poco frecuentes dejan aún más margen para el error. Un modelo que funciona bien con datos interiores limpios puede seguir teniendo dificultades con imágenes desordenadas del mundo real.

Por eso la intervención humana sigue siendo importante. Las personas pueden intervenir cuando el modelo no está seguro, interpretar contextos complejos y corregir errores antes de que terminen en el conjunto de datos final. La anotación con intervención humana ayuda a que la automatización se mantenga conectada con las condiciones del mundo real y permite que los modelos sigan siendo fiables después de su implementación.

¿Dónde puede marcar la diferencia la anotación con intervención humana?#

Ahora que hemos visto dónde funciona bien la automatización y dónde se queda corta, exploremos algunas aplicaciones en las que la anotación con intervención humana desempeña un papel importante.

Detección de defectos en la fabricación#

Imagina una cinta transportadora de una fábrica por la que pasan cientos de piezas frente a una cámara cada minuto. La mayoría de los defectos son evidentes, pero de vez en cuando aparece una grieta fina en un ángulo extraño o bajo el reflejo de una luz. Un sistema automatizado podría pasarla por alto o etiquetarla como una textura superficial inofensiva, pero una persona revisora puede detectar el defecto, corregir la anotación y asegurarse de que el modelo aprenda la diferencia.

Ese es el papel de la anotación con intervención humana en la inspección industrial. La automatización puede preetiquetar tipos de defectos comunes y procesar rápidamente grandes volúmenes de imágenes, pero las personas siguen teniendo que verificar los resultados, ajustar los límites y gestionar los fallos poco frecuentes que no aparecen a menudo durante el entrenamiento.

Vehículos autónomos y transporte inteligente#

Del mismo modo, los vehículos autónomos utilizan la visión por ordenador para detectar peatones, leer señales y desplazarse por el tráfico, pero las carreteras reales son impredecibles. Por ejemplo, un peatón que sale de detrás de un coche aparcado de noche puede estar parcialmente oculto y ser difícil de ver debido a los reflejos.

Fig. 3. Un ejemplo del uso de la visión por ordenador para analizar el tráfico. (Fuente)

Los anotadores humanos pueden etiquetar estos casos límite poco frecuentes y críticos para la seguridad durante el entrenamiento, para que los modelos aprendan la respuesta adecuada, no solo en condiciones normales, sino también en los momentos más importantes. Este paso de intervención humana es clave para enseñar a los sistemas a gestionar eventos de baja frecuencia que son difíciles de capturar únicamente con automatización.

El futuro de los conjuntos de datos anotados por personas#

La anotación con intervención humana se está volviendo más colaborativa a medida que avanza la tecnología. Curiosamente, los modelos de visión y lenguaje (VLMs), que aprenden tanto de imágenes como de texto, ya se están utilizando para crear una primera tanda de etiquetas y sugerir correcciones a partir de indicaciones sencillas.

Así, en lugar de revisar manualmente cada imagen para decidir qué etiquetar, un anotador puede indicar a un VLM una frase como «etiqueta todos los peatones, coches y semáforos» o «segmenta todos los defectos de esta pieza» y obtener un borrador de anotaciones que revisar.

Fig. 4. Los grandes modelos multimodales pueden trabajar con anotadores humanos (Fuente)

Esto reduce el tiempo de anotación porque el modelo puede encargarse de muchos casos sencillos de antemano, lo que permite a las personas centrarse en revisar los resultados, corregir ejemplos complejos y mantener la coherencia del conjunto de datos. Los grandes modelos multimodales también están empezando a orientar a los anotadores hacia las muestras más inciertas, haciendo que el esfuerzo humano sea más específico y mejorando la calidad general del conjunto de datos.

Conclusiones clave#

La visión por ordenador ayuda a las máquinas a interpretar y reaccionar ante lo que ven, pero funciona mejor cuando cuenta con la experiencia humana. Los datos anotados por personas mantienen los modelos conectados con las condiciones del mundo real y mejoran la fiabilidad de su rendimiento. Al trabajar codo con codo la automatización y el criterio humano, los equipos pueden crear sistemas de visión con un gran impacto.

Únete a nuestra comunidad activa y explora innovaciones como la IA en la logística y la IA de visión en la robótica. Visita nuestro repositorio de GitHub para descubrir más. Para empezar hoy mismo con la visión por ordenador, consulta nuestras opciones de licencia.