使用 Ultralytics Platform 简化图像标注流程

Ultralytics 最近推出了 Ultralytics Platform，这是一个用于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 工作流各阶段所使用的工具，包括数据集准备、图像和视频标注、模型训练以及部署。

尽管自动驾驶、医疗保健等行业对计算机视觉的应用日益广泛，但构建计算机视觉解决方案仍可能被视为一个碎片化的过程。主要原因之一是，计算机视觉模型高度依赖训练数据的质量。在训练真正开始之前，需要创建、整理、审核和标注数据集，这样模型才能学习要检测或识别的内容。

处理视觉数据时，这一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分配标签，为模型训练提供指导。

例如，如果目标是在图像中检测狗，标注人员可以在每只狗周围绘制边界框，以显示它们出现的位置。在更精细的任务中，他们可以使用分割掩码勾勒狗的形状，或标记关键点来捕捉其姿态。这些带标签的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、多名标注人员之间的协作，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将这些功能整合在一起。它支持多种标注任务类型，让团队可以在单一工作流中更简单地标注数据并准备计算机视觉数据集。

图 1。Ultralytics Platform 中的标注编辑器概览（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。现在开始吧！

计算机视觉中的数据标注#

在探索 Ultralytics Platform 上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，以及它为什么对构建计算机视觉系统很重要。

计算机视觉模型通过分析大量图像或视频集合（称为数据集）来学习。不过，仅有原始图像并不能为模型提供足够的信息，让它理解应该检测或识别什么。要使数据适用于训练，必须通过数据标记为图像添加标签，让模型学习应查找哪些对象、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分配描述模型应学习内容的标签。这些带标签的示例会在训练期间引导深度学习模型和算法，并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根据应用和使用场景的不同，需要不同类型的图像标注。例如，标注人员可以在目标周围绘制边界框以进行目标检测，勾勒图像中的区域以进行语义分割，定义关键点以进行姿态估计，或为整张图像分配标签以进行分类。

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，还包括确保一切准备就绪，以便标注数据并训练机器学习算法。在许多工作流中，这一过程分散在多个工具之间，数据需要先上传、清理并在不同系统间转移，之后才能使用。

Ultralytics Platform 将数据准备、模型训练和部署整合在单一环境中，从而简化了这一过程。团队可以上传图像、视频或数据集存档，并通过手动标注或 AI 自动标注，以完全可自定义的方式准备数据。Ultralytics Platform 同时支持原始数据和 YOLO、COCO 等标准格式，因此可以轻松开始新项目。它还提供对平台上现有数据集的访问，包括带标注的数据集，团队可以利用这些数据集快速开始新项目或实验。

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

数据可用后，便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，并使用内置可视化来了解数据集分布和发现潜在缺口。

该平台还支持数据集版本控制，帮助团队随着数据演变记录数据快照。这样可以更轻松地跟踪更改、比较实验，并在训练期间保持一致性。

数据准备完成后，团队可以继续标注图像，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#

数据上传后，下一步就是标注。图像数据会在此过程中获得标签，为之后训练计算机视觉模型奠定基础。Ultralytics Platform 通过标注编辑器提供内置图像标注服务，使团队能够直接在同一环境中标注和管理数据集。

标注编辑器提供了一个简单的工作区，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，更容易让数据集保持一致并为数据训练做好准备。

团队可以上传数据集并直接在浏览器中开始标注图像，定义和管理标注类别，确保标签在整个数据集中保持一致。创建标注后，用户可以在编辑器中直观地审核这些标注，从而更轻松地在进入模型训练前检查准确性。

Ultralytics Platform 中的图像标注工具#

Ultralytics Platform 还包含多项支持高效数据集标注工作流的功能，利用先进算法简化标注过程。

以下是 Ultralytics Platform 中提供的一些主要功能：

• **手动标注：**这种方式让用户可以直接在图像上创建边界框、分割区域或关键点等图像标注，并拥有完全的控制权和灵活性。
• **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（Segment Anything 模型）只需单击一次即可检测对象或区域，从而简化标注过程，并帮助用户在将建议添加到数据集前进行审核和确认。
• **标注编辑：**标注创建后，用户可以随时修改或细化图像标注。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：**团队和个人开发者可以定义和整理数据集标注期间使用的类别。这有助于让标签在不同图像之间保持一致，这对于训练能够准确识别和区分类别的模型非常重要。

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。它还支持为可扩展的计算机视觉模型准备高质量训练数据。

支持的标注任务类型#

产品质量保证等不同使用场景，根据需要在图像或视频中检测的内容不同，需要不同类型的标注。正如上文所述，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。

下面详细了解平台支持的标注任务，以及如何使用它们为数据集添加标签。

目标检测#

目标检测用于识别和定位图像中的对象。标注人员使用边界框标记每个关注对象，指示其在图像中的位置。

在标注编辑器中，这项操作通过边界框工具完成。用户可以进入“编辑模式”，点击并拖动鼠标在对象周围绘制矩形，然后从下拉菜单中分配类别标签。

边界框创建后仍可调整。标注人员可以拖动角点或边缘控制柄调整大小，拖动框的中心移动边界框，或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对象。

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对象的精确形状来提供更详细的标注。标注人员不再绘制简单的框，而是使用多边形标注描摹对象边界，为图像分割任务创建精准掩码。

标注编辑器提供了用于此任务的多边形工具。标注人员可以沿对象边缘放置多个顶点，勾勒其形状。放置顶点后，可以闭合多边形以创建分割掩码。

多边形创建后仍可调整顶点。可以移动单个点来细化对象边界，也可以根据需要移除顶点。这些像素级标注有助于模型学习详细的视觉结构，并区分彼此靠近的对象。

姿态估计#

姿态估计标注用于捕捉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运动。

使用关键点工具时，标注人员可以放置代表身体关节的关键点，例如肩膀、肘部、手腕、髋部、膝盖和脚踝。该平台支持多个内置骨架模板，包括 17 点 COCO 人体姿态格式，以及手部、面部、狗和框角模板。

模板可以通过单击一次放置完整的骨架布局，之后还可以调整各个关键点，使其匹配图像中的姿态。每个关键点还可以包含可见性标志，用于指示该点是否可见或被遮挡。

图 4。使用关键点和骨架模板进行姿态估计标注。（来源）

有向边界框（OBB）#

有向边界框在传统边界框的基础上增加了旋转支持。当对象呈角度出现，而不是与图像边框对齐时，这种标注类型非常有用。

在标注编辑器中，标注人员可以使用有向边界框工具在对象周围绘制旋转矩形。绘制初始框后，可以使用旋转控制柄调整角度，并使用角点控制柄调整边界框大小。

旋转标注常用于航空影像、工业检测数据集，以及对象呈对角线方向或从不同视角出现的其他场景。

图 5。航空图像中旋转对象的有向边界框（OBB）标注。（来源）

图像分类#

图像分类为整张图像分配标签，而不是标记其中的单个对象。

对于分类数据集，标注编辑器提供类别选择面板。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速度。

这些图像级标签帮助模型学习代表不同类别的高层次视觉模式。

使用 SAM 进行 AI 辅助标注#

为分割等任务标注图像通常需要细致谨慎的操作，尤其是在需要精确勾勒对象时。Ultralytics Platform 包含 AI 辅助标注工具，可以在保持标注准确且易于审核的同时加快处理过程。

例如，标注人员可以通过单击想要纳入标注的对象部分与图像交互。他们还可以标记应排除的区域，以进一步细化结果。模型会根据这些输入实时生成分割掩码，之后可以在保存前进行审核和调整。

这种方式让处理复杂图像变得更容易，无需手动描摹每个细节。同时，标注人员仍能控制最终输出，确保标注在整个数据集中保持一致。

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

这些功能由 Segment Anything 模型（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，旨在根据最少的输入生成高质量分割结果。该平台支持多个 SAM 变体，包括 SAM 2.1 和 SAM 3。这样，团队可以根据需求在更快的性能和更详细的结果之间灵活选择。

这些 AI 辅助工具可应用于目标检测、实例分割和有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，返回去调整标签、修正错误或更仔细地审核图像是很常见的。Ultralytics 标注编辑器包含内置工具，让这些日常任务更易处理，也更省时。

编辑器中提供的部分工作流功能包括：

• **键盘快捷键：**编辑器提供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：**标注人员可以轻松撤销或恢复编辑会话期间所做的更改。这有助于团队尝试不同标注并快速修正错误，而不会丢失进度，从而在数据集准备期间实现更好的质量控制。
• **灵活的标注编辑：**标注创建后仍可调整。用户可以根据需要调整形状大小、移动标注、旋转有向边界框或更新类别标签，尤其适合细化形状不规则的对象。
• **可见性控制：**编辑器包含可见性切换控件，让用户可以显示或隐藏标注和类别标签，从而更容易在标注过程中检查图像。
• **精度工具：**缩放以及带像素坐标的十字光标等功能，可以帮助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发挥着重要作用。随着项目增长，管理大型数据集中的数据标记可能变得困难，尤其是在涉及多名标注人员时。保持类别井然有序，有助于确保标注一致，并让模型从结构化数据中学习。

Ultralytics Platform 将类别管理直接整合到标注编辑器中，简化了这一过程。团队无需单独处理标签，而是可以在处理图像时创建、更新和审核类别，从而更容易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的侧边栏中。这样，标注时可以轻松选择正确的标签，并跟踪类别在数据集中的使用情况。用户可以搜索现有类别，也可以根据需要创建新类别，而不会中断工作流。

类别详情也可以随时更新。名称可以直接编辑，还可以分配颜色，以便更容易在不同标注中识别各个类别。编辑器还会显示与每个类别关联的标注数量，并允许用户审核这些标注，帮助团队检查一致性和准确性。

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

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，标注数据的质量在很大程度上决定了模型的表现。标注良好的数据集可以帮助模型生成更准确、更一致的预测，尤其是在动态或不可预测的环境中。

在实际应用中，即使标注中存在细微的不一致，也可能影响模型行为。对象标注方式或边界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降低。

此外，这些不一致在实际应用中可能会变得更加明显。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对象并指导操作。标注差异可能影响这些系统准确理解周围环境的能力。

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

要点总结#

高质量的数据标注对于训练准确的计算机视觉模型和支持成功的图像标注项目至关重要。Ultralytics Platform 通过支持多种视觉任务的强大标注编辑器简化了这一过程。通过将手动标注工具与使用 SAM 的 AI 辅助标注及内置工作流功能相结合，团队可以更高效地准备数据集，并更快地从数据准备推进到模型开发。

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