AnnotateAI

El núcleo de la plataforma. Subes datos en bruto y sus agentes hacen la primera pasada de etiquetado enteramente en tu navegador. Para quien se ha pasado una tarde colocando cuadros a mano, esta es la parte que cambia las cuentas. Se acabó el lienzo en blanco. Sigues revisando el resultado, pero corriges en lugar de crear.

Cuando los agentes terminan, ajustas etiquetas, retocas bordes y arreglas falsos positivos. El flujo está montado para enseñar al sistema cómo es lo correcto en lugar de partir de un lienzo en blanco. En la práctica, de aquí sale casi toda la calidad real, porque la preanotación con IA resuelve bien los casos comunes pero tiende a fallar en los poco habituales, que son los que deciden si tu modelo rinde bien fuera del conjunto de prueba.

Los datasets terminados se descargan como YOLO, COCO, VOC o JSON personalizado. Eso cubre los formatos que esperan casi todos los pipelines de entrenamiento, así que no necesitas un script de conversión entre AnnotateAI y tu framework. Las exportaciones gratuitas llevan marca de agua; Pro la quita y además desbloquea el acceso a la API que necesitas para lanzar exportaciones desde tu propio código.

AnnotateAI procesa los datos mediante IndexedDB en el navegador, así que los datasets de entrenamiento sensibles nunca tienen que salir de tu máquina local salvo que elijas subirlos para procesamiento alojado. Para equipos que manejan imágenes médicas o contenido con licencia, eso elimina un buen dolor de cabeza de cumplimiento. Es un diferenciador real frente a los servicios de anotación solo en la nube.

Sueltas un ZIP y el pipeline maneja imágenes, fotogramas de vídeo o diseños de documentos por su cuenta. ¿Por qué importa? Porque casi todas las herramientas de etiquetado asumen un solo tipo de dato, y cambiar de uno a otro suele implicar cambiar de herramienta también. No quedas atado a un formato antes de empezar. Los proyectos de formato mixto son el caso previsto, no un añadido de última hora.

El plan Pro ejecuta hasta 5 trabajos simultáneos y usa una cola prioritaria que arranca unas 5 veces más rápido. Los datasets grandes son sobre todo una espera, así que la cola es lo que mantiene en marcha un pipeline de producción real cuando hay varios trabajos apilados uno detrás de otro. Las cuentas gratuitas van en una cola comunitaria compartida con 1 trabajo a la vez. Eso vale para una prueba. Duele cuando tienes una fecha límite.