AnnotateAI

Der Kern der Plattform. Sie laden Rohdaten hoch, und die Agenten machen den ersten Durchgang der Beschriftung komplett in Ihrem Browser. Für alle, die schon einen Nachmittag damit verbracht haben, Boxen von Hand zu setzen, ändert sich hier die Rechnung. Schluss mit der leeren Leinwand. Sie prüfen das Ergebnis weiterhin, aber Sie korrigieren statt zu erstellen.

Nach den Agenten passen Sie Labels an, justieren Grenzen und beheben falsch positive Treffer. Der Ablauf ist darauf ausgelegt, dem System beizubringen, wie das Richtige aussieht, statt von einer leeren Leinwand zu starten. In der Praxis kommt hier fast die ganze echte Qualität her, denn die KI-Vorannotation meistert die gängigen Fälle zuverlässig, verpasst aber meist die ungewöhnlichen, und genau die entscheiden, ob Ihr Modell außerhalb des Testsets überzeugt.

Fertige Datasets laden Sie als YOLO, COCO, VOC oder benutzerdefiniertes JSON herunter. Das deckt die Formate ab, die die meisten Trainingspipelines erwarten, also brauchen Sie kein Konvertierungsskript zwischen AnnotateAI und Ihrem Framework. Kostenlose Exporte tragen ein Wasserzeichen; Pro entfernt es und schaltet zusätzlich den API-Zugang frei, den Sie brauchen, um Exporte aus Ihrem eigenen Code auszulösen.

AnnotateAI verarbeitet Daten über IndexedDB im Browser, sodass sensible Trainingsdaten niemals Ihre lokale Maschine verlassen müssen, außer Sie laden sie ausdrücklich für eine gehostete Verarbeitung hoch. Für Teams mit medizinischen Bildern oder lizenzierten Inhalten fällt damit ein großes Compliance-Problem weg. Das ist ein echter Unterschied gegenüber reinen Cloud-Annotationsdiensten.

Sie werfen ein ZIP hinein, und die Pipeline kümmert sich von selbst um Bilder, Videoframes oder Dokumentlayouts. Warum ist das wichtig? Weil die meisten Beschriftungstools einen Datentyp annehmen, und der Wechsel zwischen ihnen meist auch einen Tool-Wechsel bedeutet. Sie sind vor dem Start nicht auf ein Format festgelegt. Projekte mit gemischten Formaten sind der Normalfall, kein nachträglicher Zusatz.

Die Pro-Stufe führt bis zu 5 parallele Jobs aus und nutzt eine Prioritätswarteschlange, die etwa 5-mal schneller startet. Bei großen Datasets geht es vor allem ums Warten, also hält die Warteschlange eine echte Produktionspipeline in Bewegung, wenn mehrere Jobs hintereinander aufgestaut sind. Kostenlose Konten sitzen in einer gemeinsamen Community-Warteschlange mit 1 Job gleichzeitig. Für einen Testlauf reicht das. Bei einer Deadline tut es weh.