使用 Ultralytics Platform 简化图像标注流程

Ultralytics 最近推出了 Ultralytics Platform，这是一个旨在支持计算机视觉开发完整生命周期的环境。该平台集中管理视觉 AI 工作流各阶段使用的工具，包括数据集准备、图像和视频标注、模型训练和部署。

尽管自动驾驶和医疗保健等行业的应用日益普及，但构建计算机视觉解决方案仍可能被视为一个零散的过程。主要原因之一是，计算机视觉模型非常依赖训练数据的质量。训练开始之前，需要创建、整理、审核和标注数据集，让模型学会检测或识别目标。

处理视觉数据时，这个过程称为数据标注或图像标注。在图像标注过程中，图像中的特定部分会被标记并赋予标签，以便在训练时引导模型。

例如，如果目标是在图像中检测狗，标注人员可能会在每只狗周围绘制边界框，标明它们的位置。在更精细的任务中，标注人员可能会使用分割掩码勾勒狗的轮廓，或标记关键点以捕捉其姿态。这些标注示例会直接影响模型部署后的表现。

大规模管理图像标注工作流可能颇具挑战。大型数据集通常需要统一的标注标准、多个标注人员协作，以及便于审核和改进标注的工具。

Ultralytics Platform 通过内置的标注编辑器整合了这些功能。它支持多种标注任务类型，让团队能够在单一工作流中更轻松地标注数据并准备计算机视觉数据集。

图 1. Ultralytics Platform 标注编辑器一览（来源）

本文将介绍 Ultralytics Platform 的标注编辑器如何帮助团队高效标注数据集并简化数据准备工作。开始吧！

计算机视觉中的数据标注#

在了解 Ultralytics Platform 提供的图像标注工具之前，我们先退一步，了解什么是数据标注，以及它为何对构建计算机视觉系统至关重要。

计算机视觉模型通过分析大量图像或视频来学习，这些图像或视频集合称为数据集。然而，仅有原始图像并不足以让模型理解应该检测或识别什么。为了让数据能够用于训练，必须通过数据标注为图像添加标签，让模型学会要查找哪些对象、形状或模式。

在图像标注过程中，图像中的特定元素会被标记并赋予标签，以描述模型需要学习的内容。这些标注示例会在训练过程中引导深度学习模型和算法，帮助它们在处理新图像时识别相似模式。

不同的计算机视觉任务需要不同类型的图像标注，具体取决于应用和使用场景。例如，标注人员可以为目标检测绘制物体边界框，为语义分割勾勒图像区域，为姿态估计定义关键点，或为分类任务给整张图像添加标签。

数据管理与准备#

为计算机视觉项目准备数据通常涉及处理各种文件格式和整理数据集，还包括确保所有内容都已准备好用于标注和机器学习算法训练。在许多工作流中，这一过程分散在多个工具之间，数据必须经过上传、清理并在系统间迁移，之后才能使用。

Ultralytics Platform 在同一环境中处理数据准备、模型训练和部署，简化了这一流程。团队可以上传图像、视频或数据集压缩包，并通过完全可定制的方式准备数据，使用人工标注或 AI 自动标注。Ultralytics Platform 同时支持原始数据和 YOLO、COCO 等标准格式，方便你快速启动新项目。平台还提供现有数据集，包括已标注的数据集，团队可以用它们快速开展新项目或实验。

图 2. 在 Ultralytics Platform 的单一环境中上传和管理数据集。（来源）

数据准备就绪后，可以直接在平台上进行管理。开发者可以审核图像、监控标注进度，并使用内置可视化功能了解数据集分布和发现潜在缺口。

平台还支持数据集版本管理，帮助团队在数据不断变化时保存快照。这样更便于跟踪更改、比较实验，并在训练过程中保持一致性。

数据准备完成后，团队可以开始标注图像，为图像添加标签，帮助模型学习要检测的内容。

在 Ultralytics Platform 上标注数据集#

上传数据后，下一步就是进行标注。通过为图像数据添加标签，可以为后续训练计算机视觉模型奠定基础。Ultralytics Platform 内置了图像标注服务，团队可以通过标注编辑器在同一环境中直接标注和管理数据集。

标注编辑器提供了一个简洁的工作区，用户可以在其中审核图像、添加标签，并根据需要更新标注。所有内容都集中在一处，便于保持数据集一致并使其随时可用于训练。

团队可以上传数据集并直接在浏览器中开始标注图像，还可以定义和管理标注类别，确保整个数据集中的标签保持一致。创建标注后，用户可以在编辑器中直观地检查标注，从而在开始模型训练前更轻松地确认准确性。

Ultralytics Platform 中的图像标注工具#

Ultralytics Platform 还提供多种功能，借助先进算法简化标注流程，支持高效的数据集标注工作流。

以下是 Ultralytics Platform 提供的一些主要功能：

• 手动标注：这种方式让用户能够完全掌控图像标注并灵活操作，例如直接在图像上创建边界框、分割区域或关键点。
• AI 辅助标注：此功能会自动生成建议标注，减少手动标注的需求。它使用 SAM（分割一切模型），只需单击一次即可检测对象或区域，从而简化标注流程，并帮助用户在将建议添加到数据集之前进行审核和确认。
• 标注编辑：创建图像标注后，用户可以随时修改或细化标注。这有助于纠正标注错误，并在整个标注过程中保持数据集标签的一致性。
• 类别管理：团队和独立开发者都可以定义和整理数据集标注时使用的类别。这有助于确保不同图像中的标签保持一致，这对于训练能够准确识别和区分类别的模型十分重要。

通过结合手动工具、人工智能和自动化功能，Ultralytics Platform 帮助用户更高效地标注图像。它还支持准备高质量训练数据，以构建可扩展的计算机视觉模型。

支持的标注任务类型#

产品质量保证等不同使用场景，需要根据图像或视频中要检测的内容采用不同类型的标注。正如前文所述，Ultralytics Platform 支持五种目标检测任务，每种任务都有自己的标注类型。

下面我们来详细了解平台支持的标注任务，以及如何使用这些任务为数据集添加标签。

对象检测#

目标检测用于识别并定位图像中的物体。标注人员使用边界框标记每个关注目标，指出它们在图像中的位置。

在标注编辑器中，可以使用边界框工具完成此操作。用户可以进入“编辑模式”，点击并拖动鼠标绘制包围物体的矩形，然后从下拉菜单中指定类别标签。

创建边界框后，可以对其进行调整。标注人员可以拖动角点或边缘控制点来调整框的大小，拖动框的中心来移动边界框，也可以使用键盘快捷键将其删除。这些标注有助于视觉模型学习在不同场景和条件下检测物体。

图 3. 在 Ultralytics Platform 中使用边界框进行目标检测标注。(来源)

实例分割#

实例分割通过定义图像中物体的精确形状，提供更详细的标注。标注人员不再绘制简单的方框，而是使用多边形标注沿物体边界描绘轮廓，为图像分割任务创建精确的掩码。

标注编辑器提供了用于此任务的多边形工具。标注人员在物体边缘周围放置多个顶点，以勾勒其形状。放置顶点后，可以闭合多边形来创建分割掩码。

创建多边形后，还可以调整顶点。你可以移动单个点来细化物体边界，也可以根据需要删除顶点。这些像素级标注有助于模型学习详细的视觉结构，并区分彼此靠近的物体。

姿态估计#

姿态估计标注用于记录身体关节的位置及其相互关系。这有助于模型理解图像中人物或动物的结构和动作。

使用关键点工具，标注人员可以放置代表肩、肘、腕、髋、膝和踝等身体关节的关键点。平台支持多种内置骨架模板，包括 17 点 COCO 人体姿态格式，以及手部、面部、狗和边界框角点模板。

模板支持一键放置完整的骨架布局，之后可以调整各个关键点，使其符合图像中的姿态。每个关键点还可以包含可见性标记，用于指示该点可见还是被遮挡。

图 4. 使用关键点和骨架模板进行姿态估计标注。(来源)

定向边界框（OBB）#

定向边界框在传统边界框的基础上增加了旋转支持。当物体呈一定角度、而非与图像边框对齐时，这种标注方式非常实用。

在标注编辑器中，标注人员可以使用定向边界框工具为物体绘制旋转矩形。绘制初始框后，可以使用旋转手柄调整角度，并使用角点手柄调整边界框大小。

旋转标注常用于航拍图像、工业检测数据集，以及物体呈对角线方向或从不同视角出现的其他场景。

图 5. 用于航拍图像中旋转物体的定向边界框（OBB）标注。(来源)

图像分类#

图像分类为整张图像分配标签，而不是标记图像中的单个物体。

对于分类数据集，标注编辑器提供了类别选择面板。标注人员可以从侧边栏选择类别为图像分配标签，也可以使用键盘快捷键加快标注。

这些图像级标签有助于模型学习代表不同类别的高级视觉模式。

使用 SAM 辅助 AI 标注#

为分割等任务标注图像往往需要细致、谨慎的工作，尤其是在需要精确勾勒物体轮廓时。Ultralytics Platform 提供 AI 辅助标注工具，可在保持标注准确且易于检查的同时加快这一流程。

例如，标注人员可以点击图像中希望纳入标注的物体部分，与图像进行交互。也可以标记需要排除的区域，以进一步优化结果。模型会根据这些输入实时生成分割掩码，之后你可以检查并调整掩码，再将其保存。

这种方法让你无需手动描绘每个细节，也能更轻松地处理复杂图像。同时，标注人员仍可控制最终输出，确保整个数据集中的标注保持一致。

图 6. 在 Ultralytics Platform 中使用 Smart 标注工具进行 AI 辅助分割。(来源)

这些功能由 Segment Anything Models（SAM）提供支持。这些模型属于更广泛的开源计算机视觉工具生态系统，旨在根据少量输入生成高质量分割结果。平台支持多个 SAM 变体，包括 SAM 2.1 和 SAM 3。团队可以根据自身需求，在更快的性能和更详细的结果之间灵活选择。

这些 AI 辅助工具可用于目标检测、实例分割和定向边界框检测等任务。这意味着团队可以更高效地处理大型数据集，同时保持可靠模型训练所需的质量。

使用内置工具改进标注工作流#

随着标注工作的推进，你通常需要返回调整标签、修正错误或仔细检查图像。Ultralytics 标注编辑器内置了多种工具，让这些日常任务更容易处理，也更省时。

编辑器提供的一些工作流功能包括：

• 键盘快捷键：编辑器提供了可加快常见操作的快捷键，例如保存标注、撤销或重做更改、删除标签，以及在标注时选择类别。
• 撤销和重做历史记录：标注人员可以轻松撤销或恢复编辑过程中所做的更改。这有助于团队尝试不同的标注方案，并快速修正错误而不丢失进度，从而在数据集准备期间更好地进行质量控制。
• 灵活的标注编辑：创建标注后仍可对其进行调整。用户可以根据需要调整形状大小、移动标注、旋转定向边界框或更新类别标签，尤其适合细化形状不规则的物体。
• 可见性控制：编辑器提供可见性切换选项，用户可以显示或隐藏标注和类别标签，从而在标注时更轻松地检查图像。
• 精确工具：缩放功能和带有像素坐标的十字准星光标等特性，有助于标注人员在处理细节丰富的图像时更准确地放置标签。

在 Ultralytics Platform 上管理标注类别#

清晰且一致的标注类别对于构建可靠的计算机视觉数据集至关重要。随着项目规模扩大，管理大型数据集的标注工作可能会变得困难，尤其是在涉及多位标注人员时。妥善整理类别有助于确保标注保持一致，并让模型从结构化数据中学习。

Ultralytics Platform 将类别管理直接集成到标注编辑器中，简化了这一流程。团队无需单独处理标签，可以在处理图像时创建、更新和检查类别，从而更轻松地在整个标注工作流中保持一致。

在编辑器中，所有类别都显示在标注画布旁边的侧边栏中。这样一来，标注人员可以轻松选择正确的标签，并跟踪各类别在整个数据集中的使用情况。用户可以搜索现有类别，也可以按需创建新类别，而不会中断工作流。

你可以随时更新类别详情。可以直接编辑名称，也可以为类别指定颜色，以便在不同标注中更轻松地识别类别。编辑器还会显示与每个类别关联的标注数量，并允许用户检查这些标注，帮助团队核查一致性和准确性。

所有类别都通过一个集中管理的表格进行管理，你可以在其中排序、搜索和更新类别。在此处进行的任何更改都会自动应用到整个数据集中，帮助团队在标注项目扩展时保持一致。

图 7. 标注编辑器中的类别管理展示了标签整理和颜色自定义功能。(来源)

标注质量如何影响实际应用中的性能#

随着计算机视觉系统从开发阶段走向实际应用，标注数据的质量对模型性能起着关键作用。经过良好标注的数据集有助于模型生成更准确、一致的预测，尤其是在动态或不可预测的环境中。

在实际操作中，即使标注中存在细微的不一致，也可能影响模型行为。物体标注方式或边缘情况处理方式的差异，在训练期间可能并不明显，但系统部署后可能导致预测可靠性下降。

此外，这些不一致在实际应用中可能会更加明显。例如，在机器人和医疗保健系统中，模型依靠视觉输入实时检测物体并指导操作。标注差异可能会影响这些系统准确解读周围环境的能力。

通过保持一致的标注实践，并使用 Ultralytics 等平台长期管理和改进数据集，团队可以构建出在受控测试环境之外也能更可靠运行的模型。

要点#

高质量数据标注对于训练准确的计算机视觉模型、推动图像标注项目成功至关重要。Ultralytics Platform 通过功能强大的标注编辑器简化了这一流程，并支持多种视觉任务。通过将手动标注工具、使用 SAM 的 AI 辅助标注功能和内置工作流特性结合起来，团队可以更高效地准备数据集，并加快从数据准备到模型开发的进程。

加入我们的社区，并浏览 GitHub 代码仓库，进一步了解计算机视觉模型。你可以在我们的解决方案页面阅读汽车领域的 AI和机器人领域的计算机视觉等应用案例。查看我们的许可选项，开始构建你自己的视觉 AI 模型。