Saltar al contenido principal
Los equipos de teledetección anotan imágenes satelitales, aéreas y de drones para clasificación de uso del suelo, mapeo, monitoreo de infraestructura y análisis ambiental. Avala proporciona herramientas de polígono, segmentación y clasificación optimizadas para imágenes aéreas, junto con características de gestión de datasets para organizar colecciones de imágenes a gran escala a través de geografías y períodos de tiempo.

​
Tipos de datos

FuenteTipo de dato en AvalaAnotación típica
Imágenes satelitalesImagePolígonos, máscaras de segmentación, clasificación
Fotografía aéreaImageBounding boxes, polígonos
Imágenes de dronesImage, VideoBounding boxes, polígonos, segmentación
OrtofotosImageMáscaras de segmentación, clasificación
Composiciones de series temporalesImageClasificación, anotaciones de detección de cambios

​
Tareas comunes

​
Clasificación de uso del suelo

Segmente imágenes satelitales y aéreas en categorías de cobertura del suelo: urbano, bosque, agua, agricultura, suelo baldío, humedal y otros tipos de terreno. Use la herramienta de segmentación para clasificación a nivel de píxel en toda la imagen, o anotación de polígonos para etiquetado a nivel de región. Ejemplo de taxonomía de etiquetas: 
{
  "labels": [
    { "name": "urban", "color": "#FF4444" },
    { "name": "forest", "color": "#22AA22" },
    { "name": "water", "color": "#4488FF" },
    { "name": "agriculture", "color": "#AADD44" },
    { "name": "barren", "color": "#BBAA88" },
    { "name": "wetland", "color": "#66BBAA" }
  ]
}
Para clasificación de uso del suelo, defina sus categorías según la resolución de sus imágenes. Las imágenes satelitales de alta resolución (0,3-0,5 m/píxel) soportan categorías detalladas como “residencial” vs. “comercial”. Las de menor resolución (10-30 m/píxel) funcionan mejor con categorías más amplias como “urbano” vs. “rural”.

​
Extracción de huellas de edificios

Trace límites de polígonos alrededor de edificios para mapeo, planificación urbana y detección de cambios. La herramienta de polígono soporta:
  • Edición a nivel de vértice para límites precisos de techos
  • Ajuste a bordes para edificios rectilíneos
  • Copiar y ajustar para estructuras repetitivas (ej., casas adosadas)
Los datasets de huellas de edificios se usan en estimación de población, mapeo de respuesta a desastres y monitoreo de construcción.

​
Conteo de vehículos y objetos

Detecte y cuente vehículos, barcos, aeronaves y otros objetos en imágenes aéreas usando anotaciones de bounding box. Para escenas densas (estacionamientos, puertos, aeropuertos), los bounding boxes proporcionan anotación rápida con precisión suficiente para modelos de conteo y detección.

​
Monitoreo de infraestructura

Anote elementos de infraestructura — carreteras, puentes, líneas eléctricas, paneles solares, tuberías — para evaluación de condiciones y detección de cambios. Los enfoques comunes incluyen:
InfraestructuraTipo de anotaciónAtributos
CarreterasPolilíneasTipo de superficie, condición, ancho
EdificiosPolígonosTipo de techo, nivel de daño, estado de construcción
Líneas eléctricasPolilíneasTipo de tramo, presencia de torre
Paneles solaresPolígonosConteo de paneles, orientación
Cuerpos de aguaPolígonosTipo (río, lago, embalse), límites

​
Detección de cambios

Compare imágenes de diferentes fechas para identificar cambios: nueva construcción, deforestación, extensión de inundaciones, crecimiento de cultivos. Organice pares de imágenes temporales en el mismo dataset y anote cambios con etiquetas de clasificación y límites de polígonos. Use campos de metadatos para etiquetar imágenes con fecha de recolección y ubicación: 
metadata.collection_date = "2026-01-15"
metadata.region = "san-francisco-bay"
metadata.satellite = "worldview-3"
Luego filtre con el lenguaje de consulta para encontrar ventanas temporales específicas: 
metadata.region = "san-francisco-bay" AND metadata.collection_date = "2026-01-15"

​
Organización de datasets

Los datasets de imágenes satelitales y aéreas tienden a ser grandes — miles a millones de imágenes a través de geografías y períodos de tiempo. La organización efectiva es crítica.

​
Estrategias de organización

EstrategiaCuándo usarEjemplo
Por regiónProyectos multi-geografíanorth-america, europe, southeast-asia
Por fecha de recolecciónAnálisis temporalq1-2026, q2-2026
Por resoluciónFuentes de resolución mixtahigh-res-30cm, medium-res-10m
Por tareaDiferentes objetivos de anotaciónbuilding-footprints, land-cover, vehicle-counting

​
Uso de slices

Los slices crean subconjuntos virtuales sin duplicar imágenes:
  • Cree un slice training con el 80% de las imágenes y un slice validation con el 20%
  • Cree slices por región geográfica para evaluación de modelos específica por región
  • Cree un slice difficult-cases para imágenes que los anotadores frecuentemente etiquetan incorrectamente

​
Integración de almacenamiento en la nube

Para grandes colecciones de imágenes satelitales, use la integración de almacenamiento en la nube para conectar su bucket S3 o GCS directamente. Avala lee imágenes de su bucket sin requerir un paso de subida separado.
Se recomienda almacenamiento en la nube para datasets de imágenes satelitales de más de 10.000 imágenes. Evita el cuello de botella de la subida y mantiene sus datos en su propio almacenamiento con sus políticas de cifrado y retención.

​
Características de Avala utilizadas

CaracterísticaPropósitoMás información
Anotación de polígonosHuellas de edificios, límites de infraestructuraHerramienta polígono
Anotación de segmentaciónClasificación de cobertura del suelo a nivel de píxelHerramienta segmentación
Anotación de bounding boxesDetección de vehículos y objetosHerramienta bounding box
Anotación de polilíneasCarreteras, líneas eléctricas y características linealesHerramienta polilínea
ClasificaciónEtiquetas de tipo de suelo y condición a nivel de escenaHerramienta clasificación
AutoTagAgrupación basada en similitud para descubrimiento de escenasAutoTag
Gestión de datasetsOrganice imágenes por región, fecha y fuenteGestión de datasets
SlicesCree divisiones entrenamiento/validación y subconjuntos por regiónAPI de slices
Almacenamiento en la nubeConecte S3 o GCS para grandes colecciones de imágenesAlmacenamiento en la nube
Control de calidadRevisión multi-etapa para precisión de grado cartográficoControl de calidad

​
Pipeline de ejemplo

Satellite / aerial imagery collection
  -> Store in S3 or GCS bucket
  -> Connect to Avala via cloud storage integration
  -> Create dataset, attach metadata (region, date, satellite)
  -> Create slices for training/validation splits
  -> Create annotation project (segmentation for land cover, polygons for buildings)
  -> Annotators label imagery with review stages
  -> Export in COCO or GeoJSON-compatible format
  -> Train remote sensing model
  -> Use model predictions for next round of auto-labeling

​
Primeros pasos

1

Prepare sus imágenes

Convierta imágenes a formato JPEG o PNG. Para datos georreferenciados, mantenga los metadatos de coordenadas en archivos complementarios o su sistema GIS — Avala maneja los píxeles de la imagen.
2

Suba o conecte almacenamiento

Para datasets pequeños, suba directamente. Para grandes colecciones, conecte su bucket S3 o GCS a través de la integración de almacenamiento en la nube.
3

Organice con metadatos y slices

Adjunte metadatos (región, fecha, satélite fuente) a los elementos. Cree slices para divisiones entrenamiento/validación y subconjuntos geográficos.
4

Cree un proyecto de anotación

Defina su taxonomía de etiquetas (clases de cobertura del suelo, tipos de edificios, categorías de infraestructura). Elija el tipo de anotación que se ajuste a su tarea.
5

Anote y revise

Distribuya trabajo a través de su equipo con lotes de trabajo. Use revisión multi-etapa para requisitos de precisión de grado cartográfico.
6

Exporte y entrene

Exporte anotaciones e integre con su pipeline de entrenamiento de teledetección a través de la API o SDK.

​
Próximos pasos

Herramienta polígono

Trazado de límites de precisión para huellas de edificios e infraestructura.

Herramienta segmentación

Clasificación a nivel de píxel para cobertura del suelo y mapeo de terreno.

Almacenamiento en la nube

Conecte su bucket S3 o GCS para grandes colecciones de imágenes.

Mejores prácticas

Consejos de organización de datasets, uso de API y optimización de flujos de anotación.