Ultralytics Platform 多边形标注指南

从自动驾驶到精准农业，尖端 AI 技术正在进入各行各业。例如，奶农正在使用 AI 和图像分析来检测牛群的疾病。通过观察动物步态和姿势（如拱背和不对称运动）的变化，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，它允许机器解释和分析视觉数据，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，它可以在像素级别识别并分割图像中的每个对象，从而能够精确地检测和分析个体动物。

多边形标注在这一过程中起着关键作用。这是一种数据标注方法，通过沿着对象的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，并使视觉 AI 模型能够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，这些工具往往显得零散，尤其是在它们对不同标注类型的支持不一致或有限时，这使得在单一工作流程中管理多样化的标注需求变得更加困难。

Ultralytics Platform 是我们全新的端到端视觉 AI 工作空间，它弥合了数据集管理、标注、训练、部署和监测之间的鸿沟，通过在一个无缝工作空间中支持多种标注类型和 AI 辅助工作流程，简化了整个标注过程。

在本文中，我们将探讨什么是多边形标注以及如何使用 Ultralytics Platform 创建它们。让我们开始吧！

Link to this section深入了解多边形标注#

在我们深入了解 Ultralytics Platform 及其多边形标注功能之前，让我们退后一步，了解什么是多边形标注。

图像标注是为视觉数据添加标签的过程，以便 AI 模型能够理解它们所看到的内容。它通常涉及识别图像中的对象并以模型可以学习的方式进行标记。

最常见的方法之一是在对象周围绘制矩形框，即边界框。然而，边界框仅提供对象的粗略轮廓。多边形标注是一种更精确的方法。

它的工作原理是逐点勾勒出对象的边界，而不是用框将其包围。为此，标注人员沿着对象的边缘放置多个顶点（点），跟踪其轮廓，直到覆盖整个形状。

这些连接的点形成了一个镜像对象自然轮廓的多边形。由于该形状紧贴对象的边界，因此标注能够捕捉到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，例如树叶、人体轮廓和重叠对象，这尤其有用。

数据中的这种精度有助于机器学习模型在训练过程中更有效地学习。当标注准确捕捉到对象的真实边界时，模型可以在像素级别更好地理解对象的模式。这提高了模型性能，特别是在需要高精度的分割任务中。

Link to this section多边形标注在计算机视觉工作流程中的作用#

那么，多边形标注实际上是如何使用的呢？它们与支持实例分割等图像分割任务的视觉 AI 模型紧密相关。

在许多计算机视觉应用中，必须知道每个对象在图像或视频帧中占用的确切区域。一个很好的例子是制造业中的汽车零件检测。在这种情况下，模型需要识别并精确勾勒出零件，如车门、车窗和前大灯，即使它们重叠或具有复杂的形状。

这就是实例分割的用武之地。它使模型能够检测每个对象并在像素级别映射其精确边界。这与使用边界框的基础对象检测不同。

图 2. 实例分割还可以帮助区分汽车的损坏部件。(来源)

边界框仅提供对象周围的粗略矩形区域，并且通常包含额外的背景，使得捕捉不规则形状或分离重叠项目变得更加困难。

多边形标注在实现这种精度水平方面发挥着至关重要的作用。描绘数据集中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。这些详细的标注有助于 Ultralytics YOLO26 等模型更好地理解每个组件的结构，从而带来更准确的分割结果。

Link to this section传统图像标注工具的局限性#

接下来，让我们了解一下传统标注工具的局限性，以理解为什么需要像 Ultralytics Platform 这样更高效、可扩展的解决方案。

以下是标注人员在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的标注技术，使得难以在一个地方同时处理多边形、边界框和关键点等不同类型。
• 处理复杂标注效率低下： 工具可能缺乏使精确标注具有精细细节的复杂对象变得更容易的功能。
• 缺乏 AI 辅助功能： 许多工具完全依赖人工操作，没有内置的 AI 支持来加速标注过程。
• 数据集管理碎片化： 管理数据集、版本和标注可能会很困难，尤其是当工具不提供集中式工作空间时。

Ultralytics Platform 通过由 SAM (Segment Anything Models) 和 YOLO 模型驱动的 AI 辅助标注功能解决了这些问题。SAM 使用户能够通过点击等简单输入生成高质量的分割掩码，然后将其细化为精确的多边形标注。

同样，基于 YOLO 的智能标注使用预训练或自定义训练的 YOLO 模型对图像进行推理，并添加预测结果（如边界框、分割掩码或旋转边界框）作为标注，然后可以根据需要进行审查和调整。总而言之，这些功能使标注过程更快、更一致且更易于扩展。

Link to this sectionUltralytics Platform 支持的不同标注类型#

Ultralytics Platform 包含一个集成的标注编辑器，允许用户直接在工作空间内标注图像。这使得构建和管理数据集变得更加容易，而无需依赖单独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。以下是简要概述：

• 边界框： 标注人员可以在对象周围绘制简单的矩形框，从而轻松标记和检测图像中的对象。
• 关键点： 此方法用于标记特定点，例如身体关节或地标，适用于姿势估计等任务。
• 旋转边界框 (OBB)： 与标准边界框相比，这些允许用户更准确地捕捉旋转或有角度的对象。
• 分类标签： 对于较简单的任务，用户可以为整个图像分配标签，而不是标记单个对象。

Link to this section在 Ultralytics Platform 上使用多边形标注对象#

现在，让我们看看如何手动或使用 AI 辅助工具在 Ultralytics Platform 上创建多边形标注。

Link to this section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：

• 第 1 步 - 导航至你的数据集：打开包含你要标注图像的数据集。这是存储和管理你的图像和标注的地方。
• 第 2 步 - 打开图像：点击图像以在标注界面中将其打开。标注工作流程取决于数据集任务。例如，在实例分割数据集中，标注是使用多边形掩码创建的。
• 第 3 步 - 开始创建掩码： 点击图像以开始标注。每次点击都会沿着对象边界添加一个顶点。
• 第 4 步 - 描绘对象轮廓： 继续围绕对象的边缘点击以定义其形状。
• 第 5 步 - 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。
• 第 6 步 - 添加额外标注： 重复此过程为图像中的其他对象创建更多多边形。
• 第 7 步 - 保存标注： 标注会在你创建时自动保存。

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

Link to this sectionUltralytics 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，这些功能可以加速标注过程。

该平台提供了两种智能标注方法：一种由 SAM 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作为标注添加。这两种方法均可用于智能多边形标注。

Link to this section在 Ultralytics Platform 内使用 SAM 进行智能标注#

Ultralytics Platform 上的 SAM 辅助标注通过使用 Segment Anything Model (SAM) 以最少的输入生成分割掩码，简化了手动标注。用户无需逐点跟踪对象，而是可以通过简单的提示（如点击）与图像交互，以指出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，允许用户根据需要选择更快的性能或更高的准确性。根据用户输入，SAM 会实时生成像素级掩码。然后可以对这些掩码进行细化并将其用作多边形标注，使过程更快、更一致且更易于扩展。

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

• 第 1 步 - 打开图像： 导航至你的数据集并点击图像以启动全屏查看器。
• 第 2 步 - 进入标注模式： 点击“Edit”，然后切换到 Smart 模式（或按 S）以启用 SAM。
• 第 3 步 - 选择 SAM 模型： 根据你的速度和准确性需求从工具栏中选择一个 SAM 模型。
• 第 4 步 - 提供提示： 左键点击以添加正向点（包含区域），右键点击以添加负向点（排除区域）。
• 第 5 步 - 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）以应用该标注。
• 第 6 步 - 细化标注： 如果需要，在保存前添加更多点或调整结果以提高准确性。

图 4. Ultralytics Platform 内的 SAM 辅助多边形标注 (来源)

Link to this section在 Ultralytics Platform 内使用 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 模型或微调的 YOLO 模型在图像上生成预测并将它们作为标注添加，从而加快了标记速度。根据数据集任务，这些预测可以包括边界框、分割掩码或旋转边界框。

用户随后可以根据需要审查和细化这些标注。以下是使用 Ultralytics Platform 上基于 YOLO 的智能标注所涉及步骤的概述：

• 第 1 步 - 打开图像： 导航至你的数据集并选择一张图像以在全屏查看器中打开它。
• 第 2 步 - 进入标注模式： 点击“Edit”，然后切换到 Smart 模式（或按 S）。
• 第 3 步 - 选择 YOLO 模型： 从工具栏的模型选择器中选择一个 YOLO 模型。
• 第 4 步 - 运行预测： 点击“Predict”让模型自动生成标注。
• 第 5 步 - 审查标注： 检查添加到图像中的预测边界框、分割掩码或 OBB。
• 第 6 步 - 细化并保存： 根据需要编辑、调整或删除不正确的标注，然后保存你的最终标签。

图 5. 使用 YOLO 智能标注一览 (来源)

Link to this section多边形标注的现实应用案例#

多边形标注正在各行各业产生真正的冲击，从制造业的质量控制到农业和医疗保健。让我们探索一些关键的现实应用。

Link to this section使用计算机视觉识别害虫检测#

在农业中，监测作物健康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。

此类问题可以使用图像分割技术来处理，例如语义分割（标记属于某一类的所有像素，例如受感染区域）或实例分割（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来描绘这些感染区域的确切形状。这有助于创建更准确的数据集，并使视觉 AI 算法更容易在农业环境中发现细微的模式。

因此，团队可以构建更好的训练数据，帮助模型准确识别虫害存在的位置。这比使用边界框更有效，因为边界框可能包含未受影响的叶片部分。

Link to this section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，即使是边界上的细微差异也会影响癌症等疾病在医学成像中的分析方式。当识别 CT 扫描中的肿瘤等医疗异常时，这一点尤为关键。

传统的标注方法可能会错过精细的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，从而帮助模型产生更准确、更可靠的肿瘤分割。

Link to this section主要收获#

当模型需要高精度理解图像中的对象形状时，多边形标注是关键。它有助于更准确地表示复杂形状，特别是在使用 Ultralytics Platform 时。通过将精度与强大的工具相结合，团队可以构建更可靠、高性能的 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，探索汽车行业的 AI 和机器人视觉 AI。浏览我们的 GitHub 仓库以了解更多信息。查看我们的许可选项立即开始！