Saltar al contenido principal
Una taxonomía de etiquetas bien diseñada es la base de cualquier proyecto de anotación. Esta página cubre cómo estructurar sus clases de objetos, configurar atributos y construir jerarquías que produzcan datos de entrenamiento consistentes y de alta calidad.

​
¿Qué es una ontología?

En el contexto de la anotación de datos, una ontología (o taxonomía de etiquetas) es el esquema completo de clases, atributos y relaciones que los anotadores usan para etiquetar datos. Define:
  • Qué objetos etiquetar (clases de objetos)
  • Cómo describirlos (atributos y propiedades)
  • Cómo se relacionan las clases entre sí (jerarquía y agrupación)
Una ontología clara reduce la confusión del anotador, mejora el acuerdo entre anotadores y produce datos de entrenamiento más limpios para sus modelos.

​
Clases de objetos

Las clases de objetos son los bloques de construcción fundamentales de su taxonomía. Cada clase representa una categoría de objeto que los anotadores identificarán y etiquetarán en los datos.

​
Definición de clases

Al crear un proyecto en Avala, define su configuración de etiquetas como una lista de clases: 
{
  "labels": [
    { "name": "car", "color": "#FF0000" },
    { "name": "pedestrian", "color": "#00FF00" },
    { "name": "cyclist", "color": "#0000FF" },
    { "name": "truck", "color": "#FFA500" },
    { "name": "bus", "color": "#800080" }
  ]
}
Cada clase tiene un nombre único y un color de visualización usado en el editor de anotación. Elija colores que sean visualmente distintos entre sí y de los colores de fondo comunes en sus datos.

​
Mejores prácticas para nombrar clases

PrácticaEjemploRazón
Use nombres en minúscula y específicossedan, pickup_truckReduce la ambigüedad
Evite definiciones superpuestasNo tenga car y vehicle al mismo nivelEvita confusión del anotador
Sea consistente con los separadorestraffic_light no traffic-light o trafficLightParsing consistente en pipelines de entrenamiento
Incluya clases negativas/de fondo solo si es necesariounknown, ignore_regionAlgunos modelos requieren etiquetas de fondo explícitas

​
Atributos

Los atributos añaden metadatos estructurados a cada anotación más allá de la clase de objeto. Permiten a los anotadores describir propiedades como visibilidad, pose o condición.

​
Tipos de atributos

Avala soporta varios tipos de atributos que puede adjuntar a cualquier clase de objeto:
TipoDescripciónCuándo usarEjemplo
DropdownSelección única de una lista predefinidaOpciones mutuamente excluyentesOclusión: none, partial, heavy
CheckboxAlternador booleanoIndicadores simples sí/nois_parked: true/false
TextEntrada de texto libreIdentificadores únicos o descripcionesNúmero de placa
NumberValor numéricoMedidas o conteosDistancia estimada en metros
Multi-selectMúltiples selecciones de una listaEstados concurrentes no excluyentesVisible: headlights, taillights, turn_signal
Comparación de tipos de atributos

​
Configuración de atributos

Los atributos se definen en la configuración de clasificación del proyecto junto con la configuración de etiquetas: 
{
  "labels": [
    { "name": "car", "color": "#FF0000" }
  ],
  "classification": {
    "attributes": [
      {
        "name": "occlusion",
        "type": "dropdown",
        "options": ["none", "partial", "heavy"],
        "required": true,
        "applies_to": ["car", "pedestrian", "cyclist"]
      },
      {
        "name": "is_parked",
        "type": "checkbox",
        "required": false,
        "applies_to": ["car", "truck", "bus"]
      },
      {
        "name": "truncation",
        "type": "dropdown",
        "options": ["none", "partial", "heavy"],
        "required": true,
        "applies_to": ["car", "pedestrian", "cyclist"]
      }
    ]
  }
}

​
Atributos condicionales

Use el campo applies_to para mostrar atributos solo para clases relevantes. Esto mantiene la interfaz del anotador limpia — un pedestrian no necesita un atributo is_parked, y un traffic_light no necesita truncation.
Marque los atributos como required para propiedades de las que depende su pipeline de entrenamiento de modelo. Deje los atributos opcionales para metadatos complementarios que son útiles pero no críticos.

​
Taxonomías jerárquicas

Para dominios complejos, las listas planas de clases se vuelven difíciles de manejar. Las taxonomías jerárquicas agrupan clases relacionadas bajo categorías padre.

​
Ejemplo: Taxonomía de vehículos

Vehicle
├── Car
│   ├── Sedan
│   ├── SUV
│   └── Hatchback
├── Truck
│   ├── Pickup
│   └── Semi
├── Bus
│   ├── City Bus
│   └── School Bus
└── Motorcycle

​
Cuándo usar jerarquías

EscenarioRecomendación
Menos de 15 clasesUna lista plana es más simple y rápida
15-50 clasesAgrupar en 3-5 categorías de nivel superior
50+ clasesUsar jerarquía multi-nivel con búsqueda
Las clases comparten atributosAgrupar bajo padre para que los atributos se hereden

​
Diseño de jerarquías

  1. Comience amplio, luego refine. Empiece con categorías de nivel superior (vehicle, pedestrian, infrastructure) y añada especificidad solo donde su modelo lo necesite.
  2. Cada clase hoja debe ser inequívoca. Si los anotadores no pueden distinguir de manera confiable entre dos subclases, fusiónelas.
  3. Equilibre profundidad y amplitud. Las jerarquías profundas (4+ niveles) ralentizan a los anotadores. Prefiera árboles más anchos con 2-3 niveles.

​
Clasificación de etiqueta única vs multi-etiqueta

Avala soporta ambos modos de clasificación según las necesidades de su proyecto.

​
Etiqueta única

Cada objeto o escena recibe exactamente una etiqueta de clase. Este es el valor por defecto para la mayoría de los tipos de anotación.
  • Detección de objetos: Cada bounding box recibe una clase
  • Clasificación de escena: Cada imagen recibe una categoría

​
Multi-etiqueta

Un objeto o escena puede recibir múltiples etiquetas simultáneamente. Use esto cuando las categorías no son mutuamente excluyentes.
  • Una imagen puede ser tanto rainy como nighttime
  • Un vehículo puede estar tanto damaged como parked
Configure la clasificación multi-etiqueta en la configuración de clasificación de su proyecto estableciendo el tipo de clasificación a nivel de tarea: 
{
  "classification": {
    "type": "multi-label",
    "categories": [
      { "name": "weather", "options": ["clear", "rainy", "foggy", "snowy"] },
      { "name": "time_of_day", "options": ["daytime", "nighttime", "dawn", "dusk"] },
      { "name": "road_condition", "options": ["dry", "wet", "icy"] }
    ]
  }
}

​
Lista de verificación para diseño de ontología

Antes de iniciar su proyecto de anotación, verifique su ontología contra esta lista:
VerificaciónPregunta
Completitud¿Cada objeto que su modelo necesita detectar tiene una clase?
Exclusividad mutua¿Puede un anotador siempre asignar exactamente una clase sin ambigüedad?
Cobertura de atributos¿Todas las propiedades necesarias para el entrenamiento están capturadas como atributos?
Granularidad consistente¿Las clases del mismo nivel son igualmente específicas?
Claridad para el anotador¿Puede un nuevo anotador entender cada clase solo por su nombre?
Alineación con el modelo¿La taxonomía coincide con lo que su arquitectura de modelo espera?
Escalabilidad¿Puede añadir nuevas clases después sin reestructurar?

​
Errores comunes

​
Sobre-especificación de clases

Crear demasiadas clases de grano fino lleva a bajo acuerdo entre anotadores y datos de entrenamiento escasos por clase. Problema: 50 subclases de vehículos donde la mayoría tiene menos de 100 ejemplos cada una. Solución: Comience con 5-10 clases amplias. Añada subclases solo cuando tenga suficientes datos y su modelo se beneficie de la distinción.

​
Límites ambiguos

Cuando dos clases se superponen conceptualmente, los anotadores no estarán de acuerdo en cuál usar. Problema: Existen tanto van como minivan, pero los anotadores no pueden distinguirlos de manera confiable. Solución: Fusione en una sola clase o proporcione guías visuales explícitas con imágenes de referencia que muestren el límite.

​
Casos límite faltantes

Los datos del mundo real contienen objetos que no encajan perfectamente en su taxonomía. Problema: Un anotador encuentra un carrito de golf pero la taxonomía solo tiene car, truck y motorcycle. Solución: Incluya una clase general como other_vehicle y revise periódicamente los elementos etiquetados con ella para identificar clases que necesita añadir.

​
Próximos pasos

Conceptos fundamentales

Revise los bloques de construcción fundamentales de la plataforma Avala.

Control de calidad

Configure flujos de revisión para validar la calidad de la anotación.

Tipos de anotación

Vea los formatos JSON para bounding boxes, polígonos, cuboides y más.

Primer dataset

Suba datos y cree su primer proyecto de anotación.