使用 Ultralytics Platform 进行多边形标注的指南

前沿 AI 技术正逐渐应用于众多行业，从自动驾驶到精准农业。例如，奶牛养殖者正在使用 AI 和图像分析检测牛只疾病。通过观察动物步态和姿势的变化（例如背部拱起和动作不对称），可以监测跛行等健康问题。

图 1. 使用 AI 和图像分析监测奶牛的示例。

作为人工智能的一个分支，计算机视觉让机器能够解读和分析视觉数据，从而实现此类应用。具体来说，实例分割是一项计算机视觉任务，可在像素级识别并分割图像中的每个物体，从而精确检测和分析单只动物。

多边形标注在这一过程中发挥着关键作用。这是一种数据标注方法，通过沿物体边缘布置点，仔细描绘图像中物体的准确形状。与简单的边界框标注不同，这种方法会沿着物体的真实轮廓进行标注，有助于创建更精确的训练数据，并让视觉 AI 模型更好地理解物体边界。

如今，有许多工具可用于创建多边形标注。不过，这些工具往往彼此割裂，尤其是在它们对不同标注类型的支持不一致或有限时，更难以在单一工作流程中满足多样化的标注需求。

我们的新端到端视觉 AI 工作空间 Ultralytics Platform 打通了数据集管理、标注、训练、部署和监控之间的流程。它通过在一个无缝衔接的工作空间中支持多种标注类型和 AI 辅助工作流程，解决了这一问题，简化了整个标注过程。

本文将介绍什么是多边形标注，以及如何使用 Ultralytics Platform 创建多边形标注。开始吧！

深入了解多边形标注#

在深入介绍 Ultralytics Platform 及其多边形标注功能之前，我们先退一步，了解一下什么是多边形标注。

图像标注是为视觉数据添加标签的过程，让 AI 模型能够理解自己看到的内容。通常，这一过程包括识别图像中的物体，并以模型可以学习的方式对物体进行标记。

最常见的方法之一是在物体周围绘制矩形框，这种框称为边界框。不过，边界框只能粗略勾勒物体轮廓。多边形标注则是一种更精确的方法。

多边形标注不是用框圈住物体，而是逐点勾勒物体的轮廓（边界）。标注人员会沿着物体边缘放置多个顶点（点），逐步描出物体轮廓，直到完整覆盖其形状。

这些相连的点组成一个多边形，能够贴合物体的自然轮廓。由于多边形形状紧贴物体边界，这种标注可以捕捉传统标注方法常常遗漏的细节。对于形状不规则或边缘复杂的物体，这种方法尤其有用，例如树叶、人体轮廓和相互重叠的物体。

这种精确的数据有助于机器学习模型在训练过程中更有效地学习。如果标注准确捕捉到物体的真实边界，模型就能更好地理解物体在像素级的特征。这可以提升模型性能，尤其是在要求高精度的分割任务中。

多边形标注在计算机视觉工作流程中的作用#

那么，多边形标注实际上如何使用？多边形标注与支持图像分割任务（例如实例分割）的视觉 AI 模型密切相关。

在许多计算机视觉应用中，准确了解每个物体在图像或视频帧中占据的区域至关重要。制造业中的汽车零部件检测就是一个很好的例子。在这种情况下，即使车门、车窗和车灯等零部件相互重叠或形状复杂，模型也需要识别并精确勾勒它们的轮廓。

这时就需要实例分割。实例分割让模型能够检测每个物体，并在像素级绘制其精确边界。这不同于使用边界框的基础目标检测。

图 2. 实例分割也有助于区分汽车受损部件。（来源）

边界框只能在物体周围提供粗略的矩形区域，而且通常会包含多余的背景，因此更难捕捉不规则形状或分离相互重叠的物品。

多边形标注对于实现这种精度至关重要。通过描绘数据集图像中每个物体的准确形状，可以创建反映物体真实边界的高质量训练数据。这些细致的标注能帮助 Ultralytics YOLO26 等模型更好地理解每个组件的结构，从而获得更准确的分割结果。

传统图像标注工具的局限#

接下来，我们来了解传统标注工具的局限，从而理解为什么需要 Ultralytics Platform 这类更高效、可扩展的解决方案。

以下是标注人员使用传统多边形标注工具时常遇到的一些问题：

• 支持的标注类型有限： 有些工具只专注于一种标注方法，因此难以在同一个地方处理多边形、边界框和关键点等不同类型的标注。
• 处理复杂标注的效率低： 工具可能缺少相关功能，难以准确标注带有精细细节的复杂物体。
• 缺乏 AI 辅助功能： 许多工具完全依赖人工操作，没有内置 AI 支持来加快标注速度。
• 数据集管理分散： 管理数据集、版本和标注可能很困难，尤其是在工具没有提供集中式工作空间时。

Ultralytics Platform 通过 AI 辅助标注功能解决了这些问题，该功能由分割一切模型（SAM）和 YOLO 模型共同驱动。SAM 让用户只需点击等简单输入即可生成高质量分割掩码，然后还可以将掩码细化为精确的多边形标注。

同样，基于 YOLO 的智能标注会使用预训练或定制训练的 YOLO 模型对图像进行推理，并将边界框、分割掩码或有向边界框等预测结果添加为标注，之后可以根据需要进行审核和调整。这些功能相结合，让标注过程更快、更一致，也更易于扩展。

Ultralytics Platform 支持的不同标注类型#

Ultralytics Platform 内置了集成式标注编辑器，让用户可以直接在工作空间中标注图像。这样，你就能更轻松地构建和管理数据集，而不必依赖独立且往往耗时的数据标注工具。

除了多边形标注，Ultralytics Platform 还支持其他多种标注类型。以下是简要介绍：

• 边界框：标注人员可以在物体周围绘制简单的矩形框，从而轻松地为图像中的物体添加标签并进行检测。
• 关键点：这种方法用于标记特定点，例如身体关节或地标，适用于姿态估计等任务。
• 定向边界框（OBBs）：与标准边界框相比，这种框可以更准确地标注旋转或倾斜的物体。
• 分类标签：对于更简单的任务，用户可以为整张图像分配标签，而不必标记单个物体。

在 Ultralytics Platform 上使用多边形标注物体#

现在来看看如何在 Ultralytics Platform 上手动创建多边形标注，或使用 AI 辅助工具创建多边形标注。

在 Ultralytics Platform 上手动创建多边形标注#

下面是手动创建多边形标注的快速分步指南：

• 步骤 1 - 前往你的数据集：打开包含你要标注图像的数据集。图像和标注都存储并管理在这里。
• 步骤 2 - 打开图像：点击一张图像，在标注界面中打开它。标注工作流取决于数据集任务。例如，在实例分割数据集中，标注通过多边形掩码创建。
• 步骤 3 – 开始创建掩码：点击图像开始标注。每次点击都会沿着物体边界添加一个顶点。
• 步骤 4 – 描绘物体轮廓：继续沿着物体边缘点击，勾勒出物体的形状。
• 步骤 5 – 完成多边形：你可以按“Enter”键或点击第一个点来完成多边形并分配类别标签。
• 步骤 6 – 添加更多标注：重复此过程，为图像中的其他物体创建更多多边形。
• 步骤 7 – 保存标注：创建标注时，标注会自动保存。

图 3. 使用 Ultralytics Platform 手动创建多边形标注一览（来源）

在 Ultralytics Platform 上使用智能多边形标注#

接下来，看看 Ultralytics Platform 支持哪些 AI 辅助标注功能，这些功能可以加快标注流程。

该平台提供两种智能标注方式：一种由 Segment Anything Models 驱动，通过交互式点击生成标注；另一种由 YOLO 模型驱动，可直接将模型预测结果添加为标注。两种方式都可用于智能多边形标注。

在 Ultralytics Platform 上使用 SAM 进行智能标注#

Ultralytics Platform 上的 SAM 辅助标注使用 Segment Anything Model（SAM）生成分割掩码，只需极少输入即可简化手动标注。用户无需逐点描绘物体，只需通过点击等简单提示与图像交互，指出要包含或排除的区域。

该平台支持多个 SAM 模型，包括 SAM 2.1 和 SAM 3，用户可以根据需求选择更快的速度或更高的精度。SAM 会根据用户输入实时生成像素级掩码。之后，你可以细化这些掩码并将其用作多边形标注，让整个流程更快、更一致，也更易于扩展。

以下是在 Ultralytics Platform 中使用 SAM 进行多边形标注的步骤：

• 步骤 1 – 打开图像：前往你的数据集并点击一张图像，打开全屏查看器。
• 步骤 2 – 进入标注模式：点击“Edit”，然后切换到智能模式（或按 S）以启用 SAM。
• 步骤 3 – 选择 SAM 模型：根据你对速度和精度的需求，从工具栏中选择一个 SAM 模型。
• 步骤 4 – 提供提示：单击鼠标左键添加正向点（包含区域），单击鼠标右键添加负向点（排除区域）。
• 步骤 5 – 生成并应用掩码：SAM 会实时预测分割掩码。按“Enter”键（或使用自动应用功能）即可应用标注。
• 步骤 6 – 优化标注：如有需要，可添加更多点或调整结果，以提高精度，然后再保存。

图 4. 在 Ultralytics Platform 中使用 SAM 辅助进行多边形标注（来源）

在 Ultralytics Platform 上使用 YOLO 进行智能标注#

Ultralytics Platform 上基于 YOLO 的智能标注通过使用预训练的 Ultralytics YOLO 模型或微调后的 YOLO 模型生成图像预测结果，并将其添加为标注，从而加快标注速度。根据数据集任务，这些预测结果可以是边界框、分割掩码或定向边界框。

之后，用户可以根据需要检查并优化这些标注。下面概述了在 Ultralytics Platform 上使用基于 YOLO 的智能标注所需的步骤：

• 步骤 1 – 打开图像：前往你的数据集并选择一张图像，在全屏查看器中打开它。
• 步骤 2 – 进入标注模式：点击“Edit”，然后切换到智能模式（或按 S）。
• 步骤 3 – 选择 YOLO 模型：从工具栏中的模型选择器中选择一个 YOLO 模型。
• 步骤 4 – 运行预测：点击“Predict”，让模型自动生成标注。
• 步骤 5 – 检查标注：检查添加到图像中的预测边界框、分割掩码或 OBB。
• 步骤 6 – 优化并保存：根据需要编辑、调整或删除错误标注，然后保存最终标签。

图 5. YOLO 智能标注的使用示例（来源）

多边形标注的实际应用场景#

从制造业质量控制到农业和医疗保健，多边形标注正在各行各业发挥实际作用。下面来看看一些重要的实际应用。

使用计算机视觉识别并检测害虫#

在农业中，监测作物健康状况对于提高产量和减少损失至关重要。检测作物叶片上的虫害区域可能很棘手，因为这些区域通常形状不规则，边界也不清晰。

这类问题可以通过图像分割技术来解决，例如语义分割（为属于某个类别的所有像素添加标签，如受感染区域），或实例分割（更精确地区分物体轮廓）。

借助 Ultralytics Platform，用户可以使用多边形标注精确描绘这些受感染区域的形状。这有助于创建更准确的数据集，也让视觉 AI 算法更容易在农业环境中发现细微模式。

这样一来，团队就能构建更好的训练数据，帮助模型准确识别虫害发生的位置。相比之下，边界框可能会包含叶片上未受影响的部分，因此这种方法效果更好。

由实例分割驱动的医学图像分析#

与农业中的害虫检测类似，即使边界上的细微差异，也会影响癌症等疾病在医学影像中的分析结果。在 CT 扫描中识别肿瘤等医疗异常时，这一点尤其重要。

传统标注方法可能会漏掉细微边缘，或将周围组织一并标注，从而降低精度。借助 Ultralytics Platform，团队可以通过多边形标注精确描绘训练数据中的这些区域，帮助模型生成更准确、更可靠的肿瘤分割结果。

要点#

当模型需要高精度地理解图像中的物体形状时，多边形标注至关重要。它有助于更准确地表示复杂形状，尤其是在使用 Ultralytics Platform 时。通过结合精度与强大工具，团队可以构建更可靠、性能更出色的 AI 模型。

准备好在项目中引入视觉 AI 了吗？加入我们的社区，了解汽车行业中的 AI和机器人领域的视觉 AI。浏览我们的 GitHub 代码仓库，了解更多信息。查看我们的许可选项，立即开始！