T-Rex Label

Dibuja un recuadro alrededor de un objetivo y T-Rex Label encuentra el resto de objetos parecidos, en esa imagen y en un lote entero. Este es el flujo central, y usa prompts visuales en lugar de texto, así que no gastas tiempo redactando una petición que un modelo puede malinterpretar. Sirve para objetos difíciles de describir, como una textura concreta o una forma rara. Este modo es gratis y corre sobre T-Rex2 y sus modelos actualizados.

Le das a la herramienta una lista de clases y etiqueta por su cuenta cada imagen de un conjunto, usando modelos de detección open-set como DINO-X y Grounding DINO 1.6. Como esos modelos reconocen objetos fuera de su set de entrenamiento, puedes etiquetar elementos raros que un modelo cerrado dejaría pasar. Este es el modo pensado para escala, y se cobra por número de imágenes y por modelo, así que el coste sigue a lo que uses. También es la ruta más rápida hacia una primera pasada de anotación en un dataset nuevo.

Más allá de los recuadros, T-Rex Label añade anotación automática con máscara. Una herramienta gratuita de segmentación inteligente traza el contorno de un objeto. Eso ayuda con formas irregulares que un rectángulo no cubre, como siluetas de animales o partes solapadas. La función de máscara corre dentro del servicio de anotación interactiva, que la plataforma mantiene gratis para la comunidad. Completa las herramientas de recuadro con las que arrancó el producto.

Un prompt puede extenderse por muchas imágenes. Esa propagación es lo que hace rápida la herramienta en conjuntos grandes. Cuando marcas un objeto, el prompt viaja a otras imágenes y no repites el mismo paso cada vez. Ahí está la diferencia entre etiquetar imagen por imagen y armar un dataset de una sentada. Se engancha directo al flujo interactivo y pide muy poco montaje.

T-Rex Label importa y exporta formatos de dataset populares, lo que lo mantiene en sintonía con un pipeline de visión por computador y no aparte. En la parte de datos dice dar soporte a Kaggle Datasets, Roboflow Universe, ModelScope, Hugging Face, Label Studio y FiftyOne, y en la de modelos a PyTorch, TensorFlow, Keras y Roboflow Train. Para un equipo, eso significa que los datos etiquetados pasan a entrenamiento sin un paso de conversión. Es la función que decide si la herramienta encaja en un flujo existente o queda al margen.

Toda la herramienta funciona en un navegador. No hay instalación local, ni entorno que configurar, ni mantenimiento que llevar. Un compañero nuevo puede empezar a anotar en minutos, no después de una sesión de montaje. Para equipos repartidos entre máquinas y sistemas operativos, eso quita la fricción habitual del software de anotación de escritorio. Es un punto simple que importa cuando quien etiqueta datos no es ingeniero.