AnnotateAI

O núcleo da plataforma. Você envia dados brutos e seus agentes fazem a primeira passada de rotulagem inteiramente no navegador. Para quem já passou uma tarde posicionando caixas à mão, é aqui que a conta muda. Acabou a tela em branco. Você ainda revisa o resultado, mas corrige em vez de criar.

Depois que os agentes terminam, você ajusta rótulos, mexe nas bordas e conserta falsos positivos. O fluxo foi montado para ensinar ao sistema como é o correto, em vez de partir de uma tela em branco. Na prática, é daqui que vem quase toda a qualidade real, porque a pré-anotação com IA dá conta bem dos casos comuns, mas costuma falhar nos incomuns, que são justamente os que decidem se seu modelo vai bem fora do conjunto de teste.

Os datasets prontos baixam como YOLO, COCO, VOC ou JSON personalizado. Isso cobre os formatos que quase todo pipeline de treinamento espera, então você não precisa de um script de conversão entre o AnnotateAI e seu framework. As exportações gratuitas carregam marca d'água; o Pro tira ela e ainda libera o acesso à API que você precisa para disparar exportações do seu próprio código.

O AnnotateAI processa os dados via IndexedDB no navegador, então datasets de treinamento sensíveis nunca precisam sair da sua máquina local, a menos que você escolha enviá-los para processamento hospedado. Para equipes que lidam com imagens médicas ou conteúdo licenciado, isso elimina uma bela dor de cabeça de conformidade. É um diferencial de verdade em relação aos serviços de anotação só na nuvem.

Você solta um ZIP e o pipeline trata imagens, quadros de vídeo ou leiautes de documentos por conta própria. Por que isso importa? Porque quase toda ferramenta de rotulagem supõe um único tipo de dado, e trocar de um para outro costuma significar trocar de ferramenta também. Você não fica preso a um formato antes de começar. Projetos com formato misto são o caso previsto, não um extra de última hora.

O plano Pro executa até 5 trabalhos simultâneos e usa uma fila prioritária que começa cerca de 5 vezes mais rápido. Datasets grandes são, na maior parte, uma espera, então a fila é o que mantém um pipeline de produção real andando quando há vários trabalhos empilhados um atrás do outro. Contas gratuitas ficam em uma fila comunitária compartilhada, com 1 trabalho por vez. Isso serve para um teste. Dói quando há prazo.