Por qué la anotación con intervención humana es clave

Hace veinte años, si alguien decía que estaba pensando en conseguir un robot que le ayudara en casa, habría sonado muy poco creíble. Sin embargo, estamos en plena explosión de la IA y se están probando robots en situaciones similares.

Un campo clave de la IA que impulsa este avance es la visión artificial, que permite a las máquinas comprender imágenes y vídeos. En otras palabras, los modelos de visión artificial como Ultralytics YOLO11 y el próximo Ultralytics YOLO26 se pueden entrenar con conjuntos de datos compuestos 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. Así, el modelo puede detectar y localizar esos objetos en imágenes nuevas, incluso cuando la escena está abarrotada o el objeto está parcialmente oculto.

Otras tareas de visión artificial 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 señalan puntos de referencia concretos, 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, así que, si las etiquetas son incoherentes o incorrectas, es probable que el modelo reproduzca esos errores en sus predicciones.

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

Fig. 1. Es necesario contar con conjuntos de datos anotados por personas. Imagen del autor.

En este artículo, analizaremos por qué los datos anotados por personas son esenciales, incluso a medida que la IA sigue avanzando.

La necesidad de anotar imágenes y vídeos#

Los modelos de visión artificial aprenden de forma parecida a nosotros: viendo muchos ejemplos. La diferencia es que aprenden entrenándose con grandes conjuntos de datos de imágenes y vídeos etiquetados previamente por personas. Esas etiquetas actúan como verdad de referencia y enseñan al modelo cosas como «esto es un peatón», «este es el contorno 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 distinto. Las personas y los vehículos pueden solaparse o quedar 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 es mucho más que dibujar recuadros o trazar contornos. Consiste en 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 útiles.

En definitiva, un sistema de visión artificial solo rinde tan bien como los datos etiquetados con los que aprende. En aplicaciones de gran impacto, como detectar cáncer en pruebas de imagen 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 artificial se amplía y los conjuntos de datos crecen, la automatización se está convirtiendo en una forma habitual de acelerar la anotación. En lugar de etiquetarlo todo a mano, los equipos utilizan modelos de IA para generar una primera versión de las etiquetas.

Después, las personas revisan los resultados, corrigen los errores y se ocupan de los casos que el modelo no puede etiquetar con confianza. Este enfoque acelera la anotación sin renunciar a la 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 tienen que hacer los anotadores.
• Seguimiento mediante flujo óptico: En los vídeos, los métodos de seguimiento pueden seguir un objeto en movimiento a lo largo de los fotogramas y trasladar su etiqueta, lo que ayuda a mantener la coherencia de las anotaciones con el paso del tiempo.
• Interpolación de fotogramas: Las herramientas pueden completar las etiquetas de los fotogramas situados entre dos fotogramas etiquetados mediante señales de movimiento y seguimiento, de modo que los anotadores no tengan que etiquetar todos los fotogramas.
• Aprendizaje activo: Las canalizaciones de entrenamiento pueden identificar los ejemplos que el modelo considera dudosos o inusuales y enviarlos primero a las personas, para que el esfuerzo manual se centre en los datos que más mejoran el rendimiento.

Por qué la anotación humana de datos sigue siendo tan crucial#

Aunque la automatización puede acelerar el etiquetado, los modelos de IA siguen necesitando el criterio humano para ser precisos y fiables.

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 por movimiento y los objetos solapados pueden confundir a las herramientas automatizadas. Los anotadores humanos pueden interpretar lo que ocurre realmente y conseguir así etiquetas 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 daños: Las personas detectan mejor el contenido sensible, los matices culturales y los patrones que podrían introducir sesgos. Su supervisión ayuda a que los conjuntos de datos sean más justos y evita daños involuntarios.
• 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 adecuados.

Panorama 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 de Meta AI que puede recibir indicaciones.

Puede detectar, segmentar y seguir objetos en imágenes y vídeos a partir de indicaciones sencillas, como clics, recuadros delimitadores o frases cortas, y generar máscaras de segmentación para los objetos coincidentes sin necesidad de entrenarlo específicamente para cada nueva categoría.

Incluso con estos métodos de vanguardia, sigue siendo necesario que expertos humanos revisen y finalicen 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. Así, la anotación es rápida y, al mismo tiempo, las etiquetas finales son lo bastante precisas y coherentes como para entrenar modelos fiables.

Fig. 2. Un ejemplo de anotación con intervención humana. (Fuente)

Cuándo funciona la automatización de la anotación y cuándo no#

La anotación automatizada funciona mejor con datos procedentes de entornos controlados. Las imágenes captadas 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 ampliar su capacidad más rápido y con menos trabajo manual.

Los datos de entornos menos controlados son más complejos. Las grabaciones en exteriores cambian según la hora del día y el tiempo, y las escenas de calles o viviendas suelen incluir elementos desordenados, desenfoque por movimiento, objetos que se ocultan 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 limpios de interiores 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 acaben en el conjunto de datos final. La anotación con intervención humana ayuda a que la automatización tenga en cuenta las condiciones del mundo real y mantiene la fiabilidad de los modelos después de su implementación.

¿En qué ámbitos puede marcar la diferencia la anotación con intervención humana?#

Ahora que hemos visto dónde funciona bien la automatización y cuáles son sus limitaciones, 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 bajo una cámara cada minuto. La mayoría de los defectos son evidentes, pero de vez en cuando aparece una grieta muy fina en un ángulo extraño o bajo el reflejo de una luz. Un sistema automatizado podría no detectarla o etiquetarla como una textura superficial inocua, pero una persona encargada de la revisión puede detectar el defecto, corregir la anotación y asegurarse de que el modelo aprenda a distinguirlo.

Ese es el papel de la anotación con intervención humana en la inspección industrial. La automatización puede preetiquetar los tipos de defectos más comunes y procesar rápidamente grandes volúmenes de imágenes, pero las personas siguen teniendo que verificar los resultados, ajustar los límites y ocuparse de los fallos poco frecuentes que apenas aparecen en los datos de entrenamiento.

Vehículos autónomos y transporte inteligente#

Del mismo modo, los vehículos autónomos utilizan la visión artificial para detectar peatones, leer señales y circular por el tráfico, pero las carreteras reales son impredecibles. Por ejemplo, un peatón que aparece por detrás de un coche aparcado de noche puede quedar parcialmente oculto y ser difícil de ver por el deslumbramiento.

Fig. 3. Ejemplo de uso de la visión artificial 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 cuál es 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 sucesos poco frecuentes que son difíciles de captar únicamente con automatización.

El futuro de los conjuntos de datos anotados por personas#

La anotación con intervención humana es cada vez más colaborativa a medida que avanza la tecnología. Es interesante que ahora se utilicen modelos de visión y lenguaje (VLMs), que aprenden tanto de imágenes como de texto, para crear una primera versión de las etiquetas y sugerir correcciones a partir de indicaciones sencillas.

Así, en lugar de revisar manualmente cada imagen para decidir qué etiquetar, un anotador puede dar a un VLM una indicación como «etiqueta a 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 primero de muchos casos sencillos, de modo que las personas puedan centrarse en revisar los resultados, corregir ejemplos complejos y mantener la coherencia del conjunto de datos. Además, los grandes modelos multimodales empiezan a guiar a los anotadores hacia las muestras con más incertidumbre, lo que permite enfocar mejor el esfuerzo humano y mejora la calidad general del conjunto de datos.

Conclusiones clave#

La visión artificial ayuda a las máquinas a interpretar lo que ven y reaccionar, 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 combinar la automatización con el criterio humano, los equipos pueden crear sistemas de visión con un gran impacto.

Únete a nuestra activa comunidad y descubre innovaciones como la IA en logística y la IA de visión en robótica. Visita nuestro repositorio de GitHub para descubrir más. Para empezar hoy mismo con la visión artificial, echa un vistazo a nuestras opciones de licencia.