使用 Ultralytics Platform 的多边形标注指南

前沿 AI 技术正逐步进入从自动驾驶到精准农业等众多行业。例如，奶农正使用 AI 和图像分析来检测奶牛的疾病。通过观察动物步态和姿势的变化，例如背部弓起和动作不对称，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。

计算机视觉是人工智能的一个分支，它让机器能够理解和分析视觉数据，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，可在像素级别识别并分割图像中的每个对象，从而精确检测和分析单个动物。

多边形标注在这一过程中发挥着关键作用。它是一种数据标注方法，通过沿对象边缘放置点来仔细描绘图像中对象的精确形状。与简单的边界框标注不同，这种方法遵循对象的真实轮廓，有助于创建更精确的训练数据，并让视觉 AI 模型更好地理解对象边界。

如今，有许多工具可用于创建多边形标注。然而，这些选项往往较为零散，尤其是在它们对不同标注类型的支持不一致或有限时，这会使在单一工作流中管理多样化的标注需求变得更加困难。

Ultralytics Platform 是我们的端到端视觉 AI 工作空间，打通了数据集管理、标注、训练、部署和监控之间的流程。它通过在一个无缝工作空间中支持多种标注类型和 AI 辅助工作流解决了这一问题，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。让我们开始吧！

深入了解多边形标注#

在深入了解 Ultralytics Platform 及其多边形标注功能之前，我们先退一步，了解什么是多边形标注。

图像标注是向视觉数据添加标签的过程，以便 AI 模型理解它们所看到的内容。它通常包括识别图像中的对象，并以模型能够学习的方式标记这些对象。

最常见的方法之一是在对象周围绘制矩形框，这些框称为边界框。然而，边界框只能提供对象的大致轮廓。多边形标注则是一种更精确的方法。

它不是将对象框起来，而是逐点描绘对象的轮廓（边界）。为此，标注人员会沿对象边缘放置多个顶点（点），描摹其轮廓，直到覆盖完整形状。

这些相连的点会形成一个与对象自然轮廓相符的多边形。由于其形状紧密贴合对象边界，这种标注能够捕捉传统标注方法经常遗漏的细节。当对象具有不规则形状或复杂边缘时，例如叶片、人类轮廓和相互重叠的对象，这一点尤其有用。

数据中的这种精确性有助于机器学习模型在模型训练期间更有效地学习。当标注准确捕捉对象的真实边界时，模型可以在像素级别更好地理解对象的模式。这会提升模型性能，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中的作用#

那么，多边形标注究竟如何使用？它们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，了解每个对象在图像或视频帧中占据的确切区域至关重要。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、车窗和车头灯等部件相互重叠或形状复杂，模型也需要识别并精确描绘它们的轮廓。

这正是实例分割发挥作用的地方。它能够让模型检测每个对象，并在像素级别映射其精确边界。这不同于使用边界框的基本对象检测。

图 2. 实例分割还可以帮助区分汽车的受损部件。（来源）

边界框只能提供对象周围大致的矩形区域，而且通常会包含额外背景，因此更难捕捉不规则形状或分离相互重叠的对象。

多边形标注在实现这种精确度方面发挥着重要作用。在数据集图像中描绘每个对象的精确形状，可以创建反映真实对象边界的高质量训练数据。这些详细标注有助于诸如 Ultralytics YOLO26 这样的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性#

接下来，让我们了解传统标注工具的局限性，从而认识到为什么需要像 Ultralytics Platform 这样更高效、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面临的一些常见挑战：

• 对标注类型的支持有限： 一些工具专注于单一标注技术，因此难以在同一处处理多边形、边界框和关键点等不同类型的标注。
• 复杂标注处理效率低： 工具可能缺少便于准确标注具有精细细节的复杂对象的功能。
• 缺少 AI 辅助功能： 许多工具完全依赖手动操作，没有内置 AI 支持来加快标注速度。
• 数据集管理零散： 管理数据集、版本和标注可能很困难，尤其是在工具不提供集中式工作空间的情况下。

Ultralytics Platform 提供由分割一切模型（SAM）和 YOLO 模型共同驱动的 AI 辅助标注功能，解决了这些问题。SAM 能够根据点击等简单输入生成高质量分割掩码，然后将其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自定义训练的 YOLO 模型对图像执行推理并添加预测结果，例如边界框、分割掩码或定向边界框，作为标注；之后可以根据需要进行审核和调整。这些功能结合起来，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 包含一个集成式标注编辑器，让用户可以直接在工作空间中标注图像。这使得构建和管理数据集更加容易，无需依赖独立且通常耗时的数据标注工具。

除了多边形标注外，Ultralytics Platform 还支持其他几种标注类型。以下是简要概览：

• 边界框： 标注人员可以在对象周围绘制简单的矩形框，从而轻松地在图像中标记和检测对象。
• 关键点： 这种方法用于标记身体关节或地标等特定点，以完成姿态估计等任务。
• 定向边界框（OBB）： 与标准边界框相比，这些边界框能够更准确地捕捉旋转或倾斜的对象。
• 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，而不是标记单个对象。

在 Ultralytics Platform 上使用多边形标注对象#

现在，让我们了解如何在 Ultralytics Platform 上手动或借助 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#

以下是手动创建多边形标注的快速分步指南：

• 步骤 1 - 转到数据集：打开包含你要标注图像的数据集。你的图像和标注都在这里存储和管理。
• 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，标注使用多边形掩码创建。
• 步骤 3 – 开始创建掩码： 点击图像开始标注。每次点击都会沿对象边界添加一个顶点。
• 步骤 4 – 描绘对象轮廓： 继续沿对象边缘点击，以定义其形状。
• 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 – 添加其他标注： 重复此过程，为图像中的其他对象创建更多多边形。
• 步骤 7 – 保存标注： 标注会在创建时自动保存。

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

Ultralytics Platform 上的智能多边形标注#

接下来，让我们看看 Ultralytics Platform 支持的 AI 辅助标注功能，这些功能可以加快标注过程。

该平台提供两种智能标注方式：一种由分割一切模型驱动，用于交互式、基于点击的标注生成；另一种由 YOLO 模型驱动，用于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 辅助标注使用分割一切模型（SAM）以最少的输入生成分割掩码，从而简化手动标注。用户无需逐点描绘对象，而是可以通过点击等简单提示与图像交互，指示应包含或排除的内容。

该平台支持多种 SAM 模型，包括 SAM 2.1 和 SAM 3，用户可以根据需求在更快的性能和更高的精度之间进行选择。SAM 会根据用户输入实时生成像素级掩码。之后可以细化这些掩码并将其用作多边形标注，让整个过程更快、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： 转到数据集并点击一张图像，以启动全屏查看器。
• 步骤 2 – 进入标注模式： 点击“Edit”，然后切换到 Smart 模式（或按 S）以启用 SAM。
• 步骤 3 – 选择 SAM 模型： 根据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）以应用标注。
• 步骤 6 – 优化标注： 如有需要，添加更多点或调整结果，以在保存前提高精度。

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 上的基于 YOLO 的智能标注使用预训练的 Ultralytics YOLO 模型或微调后的 YOLO 模型在图像上生成预测，并将其添加为标注，从而加快标注速度。根据数据集任务的不同，这些预测结果可以包括边界框、分割掩码或定向边界框。

用户随后可以根据需要审核和优化这些标注。以下是在 Ultralytics Platform 上使用基于 YOLO 的智能标注的步骤概览：

• 步骤 1 – 打开图像： 转到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 Smart 模式（或按 S）。
• 步骤 3 – 选择 YOLO 模型： 从工具栏中的模型选择器选择一个 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 – 审核标注： 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. 使用 YOLO 智能标注一览（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，多边形标注正在各个行业产生实际影响。让我们了解一些重要的现实应用。

使用计算机视觉识别害虫#

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。检测作物叶片上受害虫感染的区域可能很棘手，因为这些区域通常形状不规则且边界不清晰。

这类问题可以使用语义分割等图像分割技术来处理。语义分割会标记属于某个类别（例如感染区域）的所有像素，而实例分割则能更精确地分离对象轮廓。

借助 Ultralytics Platform，用户可以使用多边形标注描绘这些感染区域的精确形状。这有助于创建更准确的数据集，也让视觉 AI 算法更容易发现农业环境中的细微模式。

这样一来，团队就能构建更好的训练数据，帮助模型准确识别害虫侵扰所在的位置。这比使用边界框更有效，因为边界框可能会包含叶片中未受影响的部分。

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，也会影响对癌症等疾病的分析，尤其是在医学成像中识别 CT 扫描中的肿瘤等医疗异常时。

传统标注方法可能会遗漏细微边缘或包含周围组织，从而降低准确性。借助 Ultralytics Platform，团队可以使用多边形标注在训练数据中精确描绘这些区域，帮助模型生成更准确、更可靠的肿瘤分割结果。

要点总结#

当模型需要高精度地理解图像中的对象形状时，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。通过将精确性与强大工具相结合，团队可以构建更可靠、性能更高的 AI 模型。

准备好将视觉 AI 引入你的项目了吗？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。探索我们的 GitHub 仓库，了解更多信息。查看我们的许可选项，立即开始！