Tutorial

Va paso a paso: «en qué página estás → dónde haces clic → qué rellenas → qué ves». Si lo sigues, llegarás desde cero hasta el despliegue. Todo el proceso se hace sin conexión en tu equipo, y las imágenes y los datos no salen de él (solo cuando tú usas la anotación asistida de «Xuntong AI» se envían imágenes a la plataforma Xuntong AI).

01 Instalación y primer inicio

1.1 Descargar e instalar

  1. Abre la web oficial https://wulabel.xiaowuiot.com y haz clic en Descargar, arriba a la derecha, o descárgalo desde la página de Releases en GitHub.
  2. Windows: descarga Wulabel_<versión>_x64-setup.exe, haz doble clic y sigue las indicaciones. Al terminar, abre Wulabel desde el menú Inicio o el escritorio.
  3. Mac: descarga Wulabel_<versión>_universal.dmg, ábrelo con doble clic y arrastra Wulabel a la carpeta «Aplicaciones».
  4. Linux (desde v0.4.0): descarga Wulabel_<versión>_amd64.deb y ejecuta en la terminal sudo apt install ./Wulabel_<versión>_amd64.deb. Después abre Wulabel desde el menú de aplicaciones. También puedes descargar el .AppImage, ejecutar chmod +x Wulabel_<versión>_amd64.AppImage y abrirlo con doble clic, sin instalar nada. En equipos ARM (Phytium, Kunpeng), descarga Wulabel_<versión>_arm64.deb o Wulabel_<versión>_aarch64.AppImage (desde v0.4.2); se usan igual.

1.2 La ventana principal

Al abrir la aplicación verás la página Proyectos. Cuando abras un proyecto, a la izquierda aparece la barra de navegación. De arriba abajo:

PáginaPara qué sirve
ProyectosCrear, abrir y cambiar de proyecto
DatosImportar imágenes / videos / conjuntos de datos, gestionar imágenes, exportar el conjunto de datos
AnotarDibujar cuadros y contornos, elegir clases, colocar puntos clave, asistencia de IA y preanotación
DiagnósticoEncontrar problemas como objetos sin anotar, anotaciones incorrectas o imágenes duplicadas
EntrenarElegir modelo, ajustar parámetros, iniciar el entrenamiento y ver los entrenamientos
EvaluarVer métricas, matriz de confusión, errores, umbral recomendado, prueba de falsos positivos y exportar el informe
DesplegarPrueba en vivo, exportar el modelo, generar el paquete de servicio de inferencia, importar el retorno de datos de campo
ColaborarColaboración en tiempo real: compartir (LAN / en línea), miembros, asignar tareas, estadísticas de progreso
AjustesInstalar el entorno de entrenamiento, origen de descarga, Xuntong AI

Arriba a la derecha están el botón Comentarios y Cerrar proyecto.

02 Ajustes: entorno de entrenamiento, origen de descarga, Xuntong AI

Si solo vas a anotar e importar/exportar, sin entrenar, puedes saltarte este capítulo por ahora.

2.1 Instalar el entorno de entrenamiento con un clic

  1. Haz clic en Ajustes, a la izquierda.
  2. Mira la sección «Entorno de entrenamiento»:
    • La fila GPU muestra la tarjeta gráfica detectada, su memoria, el controlador y la versión de CUDA compatible. Si no tienes GPU NVIDIA, verás el aviso «solo se puede entrenar con la CPU (mucho más lento)».
    • El desplegable Versión de PyTorch elige automáticamente la versión recomendada (marcada con «recomendado»). Normalmente no hace falta cambiarla:
      • CUDA 12.8: tarjetas nuevas como la serie RTX 50;
      • CUDA 13.0: necesita un controlador bastante reciente;
      • CUDA 11.8: tarjetas y controladores más antiguos;
      • Versión para CPU: sin GPU NVIDIA.
  3. (Opcional) Ubicación de instalación: por defecto se instala en la carpeta de datos local, en la unidad C. Si te falta espacio en C, haz clic en elegir, cambia a un disco con más espacio y haz clic en Guardar.
  4. Haz clic en Instalar. La versión para GPU ocupa unos 3 GB; descarga automáticamente uv, Python 3.11 y PyTorch, y bajo la barra de progreso verás el tiempo restante. Solo se instala una vez.
  5. Al terminar, el estado cambia a Listo y debajo aparece «GPU disponible (cuda)».

El entorno de entrenamiento es independiente: no afecta a otras instalaciones de Python del sistema.

2.2 Origen de descarga

  1. En la sección «Origen de descarga», haz clic en Medir velocidad y recomendar. La aplicación descarga unos MB de las fuentes oficiales y de los espejos de China para medir la velocidad, y marca automáticamente la más rápida.
  2. Si eliges «Espejos de China», los modelos auxiliares como SAM y el prompt de texto también se descargan desde el espejo de China (hf-mirror.com).

2.3 Xuntong AI (opcional)

Solo lo necesitas si quieres anotar automáticamente con los modelos de la plataforma Xuntong AI, subir modelos, obtener imágenes de alarmas o colaborar en línea con la «Retransmisión oficial de Xuntong»:

  1. En la sección «Xuntong AI», haz clic en Iniciar sesión en Xuntong AI.
  2. Se abrirá la web de Xuntong AI en el navegador. Si no has iniciado sesión, hazlo primero (como siempre en Xuntong). Comprueba que el código de confirmación de la web coincide con el que muestra Wulabel y haz clic en Permitir.
  3. Vuelve a Wulabel. En unos segundos aparecerá Sesión iniciada como, con el nombre de la cuenta, el plan, la cuota restante y los métodos de reconocimiento disponibles (reconocer por clases del proyecto, los modelos dedicados contratados en la plataforma y el reconocimiento general con LLM). No hace falta copiar ni pegar ninguna Key.
  4. Si el navegador no se abre solo, haz clic en Volver a abrir o copia la dirección de la ventana emergente y ábrela tú.
  5. Cerrar sesión: se elimina la Key de este equipo y la Key creada automáticamente al iniciar sesión también se revoca en la plataforma.

Si ya tienes una API Key o usas una instalación privada de Xuntong, haz clic en Avanzado: introducir la API Key manualmente o la dirección de una plataforma privada, rellena los datos y haz clic en Guardar y probar la conexión. El estado de la conexión se muestra siempre en esta sección.

2.4 Usar un entorno de Python existente (avanzado)

Si ya tienes un entorno de Python con PyTorch instalado, no hace falta descargar nada más:

  1. Despliega «Usar un entorno de Python existente (avanzado)».
  2. Haz clic en Elegir python.exe y selecciona el python.exe del entorno (por ejemplo, D:\envs\torch\Scripts\python.exe).
  3. Haz clic en Guardar. El entorno necesita torch, torchvision, numpy y pillow; para exportar a ONNX también necesita onnx.
  4. Para volver al entorno de la aplicación, vacía la ruta y guarda.

2.5 Buscar actualizaciones

Al iniciarse, la aplicación comprueba una vez si hay una versión nueva; si la hay, aparece un aviso abajo a la derecha. Haz clic en Actualizar ahora: la aplicación descarga la nueva versión en segundo plano, la verifica, la instala automáticamente y se vuelve a abrir sola, sin que tengas que pulsar ningún botón (en Windows solo verás una barra de progreso de instalación; en Linux, si instalaste con .deb, la actualización automática funciona desde v0.4.2 y puede que te pida la contraseña del sistema una vez). Tus proyectos y datos se conservan (desde v0.4.1). También puedes hacer clic en «Descargar» para abrir la página de descargas. Si no quieres volver a ver el aviso de una versión concreta, haz clic en «No volver a avisar de esta versión». En «Acerca de y actualizaciones», al final de la página de ajustes, también puedes hacer clic en Buscar actualizaciones manualmente.

La comprobación solo envía la versión de la aplicación, el tipo de sistema y un identificador anónimo aleatorio, que sirve para estimar cuántas personas la usan. No incluye imágenes, proyectos ni ningún dato personal. Si no quieres que se conecte para comprobarlo, desactiva Buscar actualizaciones al iniciar en «Acerca de y actualizaciones».

2.6 Idioma, apariencia y el interruptor de Xuntong AI

En la parte superior de la página de Ajustes puedes cambiar:

03 Crear y abrir proyectos

Un proyecto es una carpeta: dentro están las imágenes (copiadas), las anotaciones, los modelos y los entrenamientos. Puedes copiar la carpeta entera a otro equipo y abrirla directamente.

La primera vez, en la parte superior de la página «Proyectos» aparece una guía de inicio que te lleva por seis pasos: instalar el entorno de entrenamiento, crear un proyecto, importar imágenes, anotar un pequeño lote, entrenar, y preanotar y desplegar. Los pasos completados se marcan solos. Puedes cerrarla con la × de arriba a la derecha y volver a abrirla con «Mostrar la guía de inicio».

Las tarjetas de «Proyectos recientes» muestran la portada del proyecto, el número de imágenes, cuántas están anotadas (barra de progreso) y cuántas veces se ha entrenado, para que veas de un vistazo en qué punto está cada proyecto.

3.1 Crear un proyecto

  1. En la página Proyectos, haz clic en Nuevo proyecto.
  2. Nombre del proyecto: por ejemplo, «Detección de cascos en obra».
  3. Ubicación: por defecto es «Documents/Wulabel»; también puedes hacer clic en Examinar y elegir otra carpeta. El proyecto se creará dentro.
  4. Tipo de tarea (no se puede cambiar después de crearlo):
    TareaForma de anotarPara qué sirve
    Detección de objetosCuadros rectangularesLocalizar cascos, vehículos, humo o fuego
    Segmentación de instanciasContornos poligonalesCuando necesitas la forma exacta: charcos, montones de basura, zonas con defectos
    Clasificación de imágenesUna clase por imagenImagen «normal / anómala», clasificar escenas
    Puntos claveCuadro del objeto + puntos uno a uno según la plantillaPose humana (caídas, escaladas), partes clave de objetos
  5. Clases (opcional): escribe de antemano las clases que vas a anotar, separadas por comas o saltos de línea; por ejemplo, «Casco, Persona, Chaleco reflectante». Si lo dejas vacío, puedes añadirlas en cualquier momento en la página Anotar.
  6. Haz clic en Crear. Verás «Proyecto «…» creado» y se abrirá automáticamente.

3.2 Abrir un proyecto

04 Importar datos

Haz clic en Datos, a la izquierda.

4.1 Importar imágenes o carpetas

  1. Primero elige el modo de importación, en la parte superior de la página:
    • Copiar al proyecto: las imágenes se copian en la carpeta del proyecto, así puedes llevarte el proyecto entero (recomendado);
    • Solo referenciar las rutas originales: solo se guarda dónde están las imágenes; no ocupa espacio extra, pero no puedes mover las originales.
  2. Importa:
    • Haz clic en Importar carpeta y elige una carpeta (también busca imágenes en las subcarpetas);
    • o haz clic en Más opciones de importación → Importar archivos de imagen y elige algunas imágenes;
    • o arrastra imágenes o carpetas directamente a la ventana y suelta cuando veas «Suelta para importar imágenes o videos». Si arrastras un archivo de video, se abre directamente el diálogo «Extraer fotogramas de video» (ver 4.2).
  3. Durante la importación verás el progreso «Procesadas N / M imágenes (calculando huellas, generando miniaturas)». Si te equivocaste, haz clic en Detener; las imágenes ya procesadas se añaden igualmente. Al terminar, te dirá cuántas se añadieron y cuántas duplicadas se omitieron; haz clic en Empezar a anotar en el aviso para ir directamente a la página Anotar.

Al importar, las imágenes se deduplican por contenido (la misma imagen nunca se importa dos veces) y se endereza la orientación según los datos EXIF de la foto.

Imágenes de ejemplo de escenas de inspección
Ejemplo: imágenes importadas de escenas de inspección: vehículos aparcados en salidas de emergencia, bicicletas eléctricas en ascensores, personas sin casco, entrada de mascotas, fumar, humo e incendios, etc.

4.2 Importar videos (extraer fotogramas)

  1. Haz clic en Más opciones de importación → Importar videos (extraer fotogramas) y elige uno o varios archivos de video.
  2. En el diálogo «Extraer fotogramas de video», configura:
    • Cada N segundos se extrae 1 fotograma: si los objetos cambian despacio, deja más tiempo entre fotogramas para no acabar con muchas imágenes casi iguales;
    • Máximo por video N fotogramas (0 = sin límite).
  3. Haz clic en Empezar a extraer. La primera vez se descarga ffmpeg automáticamente (unos 90 MB); después ya no. Si configuraste mal los parámetros, haz clic en Detener; los fotogramas ya extraídos se importan igualmente.
  4. Los fotogramas extraídos se copian al proyecto y se deduplican por contenido. Al terminar verás «Se extrajeron M fotogramas de N videos: K imágenes nuevas».

4.3 Extraer fotogramas de una transmisión de video (RTSP / en directo / grabación)

  1. Haz clic en Más opciones de importación → Extraer fotogramas de una transmisión de video (RTSP / en directo / grabación).
  2. Introduce la dirección: una cámara RTSP (rtsp://…) o una dirección http(s) de una transmisión en directo, una grabación o un video bajo demanda (mp4, m3u8, flv).
    • Hikvision: rtsp://usuario:contraseña@IP:554/Streaming/Channels/101 (flujo principal) o 102 (flujo secundario)
    • Dahua: rtsp://usuario:contraseña@IP:554/cam/realmonitor?channel=1&subtype=0
  3. Haz clic en Probar conexión. Verás la resolución y si es una «Transmisión en directo (sin fin, requiere un límite)» o una «Transmisión de grabación · Duración …».
  4. Configura:
    • Cada N segundos se extrae 1 fotograma;
    • Extraer como máximo N fotogramas y Capturar como máximo N minutos (0 = sin límite; solo en directo). Una transmisión en directo no tiene fin: establece al menos uno de los dos;
    • Marca Omitir fotogramas casi idénticos: guarda menos duplicados cuando la escena está quieta.
  5. Haz clic en Iniciar captura. Las imágenes se añaden a medida que se capturan, y las verás aparecer una a una en la página Datos.
  6. Durante la captura puedes hacer clic en Minimizar para seguir con otra cosa; abajo a la derecha verás «Capturando · N fotogramas extraídos». Haz clic en Expandir para volver. Haz clic en Detener captura cuando quieras terminar; las imágenes capturadas se conservan.
  7. Las imágenes capturadas se guardan en la carpeta images/stream_<dirección>_<hora>/ del proyecto. Al terminar, puedes hacer clic en Abrir carpeta para verlas.

El usuario y la contraseña solo se usan durante la captura; la aplicación nunca pone una dirección con contraseña en el nombre de las carpetas del proyecto.

4.4 Importar un conjunto de datos anotado

Si ya tienes datos anotados en otro sitio, puedes importarlos junto con sus anotaciones:

  1. Haz clic en Más opciones de importación y elige según el tipo de proyecto:
    • Proyectos de detección / segmentación: Importar conjunto de datos anotado (YOLO / COCO / VOC). Admite YOLO (incluido seg), COCO (incluida la segmentación) y VOC;
    • Proyectos de puntos clave: Importar conjunto de datos anotado (YOLO-pose / puntos clave COCO);
    • Proyectos de clasificación: Importar conjunto de datos de clasificación (una carpeta por clase). Cada subcarpeta de la carpeta elegida es una clase (también puede haber un nivel intermedio train / val).
  2. Elige la carpeta raíz del conjunto de datos; la aplicación detecta el formato automáticamente.
  3. Al terminar verás, por ejemplo, «Conjunto de datos YOLO importado» y qué clases nuevas se añadieron.

4.5 Acciones en lote, deshacer, eliminar, vaciar

Las tarjetas de estadísticas de la parte superior de la página Datos (Sin anotar, Anotadas, Omitida) se pueden pulsar: un clic muestra solo ese tipo de imágenes y otro clic vuelve a mostrar todas. Los botones de filtro de debajo funcionan igual.

Todo está en el menú Gestionar:

Al eliminar imágenes también se eliminan sus anotaciones, y no se puede deshacer. Se borran las copias guardadas en el proyecto; las imágenes originales de tu equipo no se tocan.

4.6 Revisión de calidad de imágenes

Las imágenes borrosas, muy oscuras o sobreexpuestas cuestan de anotar y pueden desviar el modelo al entrenar. Puedes filtrarlas antes:

  1. Haz clic en Gestionar → Revisión de calidad de imágenes (borrosas, muy oscuras, sobreexpuestas).
  2. Por defecto está marcado Solo imágenes sin anotar; si quieres revisarlas todas, desmárcalo.
  3. Haz clic en Iniciar revisión.
  4. Los resultados se agrupan por problema: Borrosa, Muy oscura, Sobreexpuesta y Contraste bajo. Haz clic en las etiquetas de arriba para filtrar. Bajo cada imagen verás los valores de nitidez, brillo, porcentaje de sobreexposición y contraste.
  5. Qué hacer con ellas:
    • Revisar una por una: ve a la página Anotar y míralas una a una para decidir;
    • Marcar como omitida: se marcan como «Omitida» y no se usan en el entrenamiento (la imagen se queda y puedes deshacerlo más tarde);
    • Eliminar: se borran directamente.

4.7 Obtener imágenes de alarmas de Xuntong AI

Cuando despliegas un modelo en la plataforma Xuntong AI, las capturas de alarmas del lugar de instalación (sobre todo los falsos positivos y los objetos no detectados) son justo los datos que más vale la pena añadir:

  1. Primero configura Xuntong AI en Ajustes (ver 2.3).
  2. En la página Datos, haz clic en Más opciones de importación → Obtener imágenes de alarmas de Xuntong AI.
  3. Elige el rango de tiempo (últimos 1 / 3 / 7 días; la plataforma guarda las imágenes de alarmas 7 días, así que obtenlas con regularidad), el modelo (todos o uno concreto) y Máximo N imágenes. Solo las cuentas de Xuntong con un canal de envío configurado generan registros de alarmas.
  4. Por defecto está marcado Usar los cuadros detectados por la plataforma como preanotaciones: se asocian a las clases del proyecto por nombre, y las que no existan se crean.
  5. Haz clic en Empezar a obtener. Las imágenes se guardan en la carpeta images/xuntong_<hora>/ del proyecto, y los cuadros detectados se muestran con línea discontinua (origen «Xuntong»).
  6. Revísalas en la página Anotar: elimina los cuadros de falsos positivos (en las imágenes sin objetos, basta con pulsar Enter (Listo) para conservarlas como muestras negativas), añade lo que falte y vuelve a entrenar.

05 Anotar

Haz clic en Anotar, a la izquierda.

5.1 La página Anotar

Los cambios se guardan automáticamente; no hace falta guardar a mano.

5.2 Añadir y gestionar clases

  1. En el bloque «Clase» de la derecha, escribe en el campo «Nombre de la nueva clase; pulsa Enter para añadirla», por ejemplo «Casco», y pulsa Enter.
  2. Las 9 primeras clases se pueden cambiar rápido con las teclas 1–9; la clase actual aparece resaltada.
  3. Con el botón de editar junto a una clase puedes:
    • cambiar el nombre y el color;
    • rellenar el prompt en inglés (lo usa la anotación automática con «Prompt de texto»; puedes poner varios separados por comas, por ejemplo helmet, hard hat);
    • rellenar las notas de reconocimiento (las usa «Reconocer por clases del proyecto» de Xuntong AI: qué significa exactamente esta clase y qué cuenta o no cuenta; por ejemplo, «una persona sin casco en la cabeza; también cuenta si lleva casco pero sin abrochar la correa»);
    • eliminar la clase. Si la clase ya tiene anotaciones, puedes elegir otra clase en «Fusionar en…»: las anotaciones pasan a esa clase y no se pierden (muy útil si usaste la clase equivocada o quieres unir dos clases en una). Si no eliges ninguna, la clase se elimina junto con sus anotaciones.

5.3 Detección de objetos: dibujar cuadros

  1. Pulsa 1–9 para elegir la clase.
  2. Pulsa R (o haz clic en la herramienta de cuadro, a la izquierda) y arrastra con el ratón sobre el objeto para dibujar un cuadro.
  3. Ajustar: pulsa V para pasar a la herramienta de selección; haz clic en un cuadro para moverlo o arrastra sus bordes y esquinas para cambiar el tamaño.
  4. Eliminar: selecciona el cuadro y pulsa Del o Retroceso; pulsa Esc para deseleccionar.
  5. Cambiar la clase: selecciona el cuadro y pulsa una tecla numérica, o cámbiala en «Objetos de esta imagen», a la derecha.
  6. Pulsa H para ocultar / mostrar el nombre de la clase sobre los cuadros; viene bien cuando hay muchos cuadros juntos.
Ejemplo de anotación: dibujar cuadros y elegir su clase
Ejemplo de anotación: dibuja cuadros en la imagen y elige una clase para cada uno. En esta foto de una obra se han anotado dos clases a la vez: «Sin casco» (rojo) y «Casco» (verde).

5.4 Segmentación de instancias: dibujar contornos

  1. Elige la clase y pulsa R.
  2. Haz clic punto a punto a lo largo del borde del objeto.
  3. Haz doble clic o pulsa Enter para cerrar el contorno; si te equivocas, pulsa Retroceso para quitar el último punto.
  4. Con el contorno seleccionado puedes arrastrar los vértices para afinarlo.
  5. Más rápido: pulsa S para usar la selección inteligente de SAM; con un clic obtienes el contorno (ver capítulo 6).

5.5 Clasificación de imágenes: una tecla por imagen

  1. Mira la imagen y pulsa una tecla numérica 1–9 para elegir la clase. La clase actual se muestra en la esquina superior izquierda.
  2. Si activas el interruptor Avanzar al elegir, a la derecha, después de pulsar la tecla se pasa automáticamente a la siguiente imagen: una tecla por imagen.
  3. Pulsa Del para borrar la clase de esta imagen; pulsa Ctrl+D para reutilizar la clase de la imagen anterior.

5.6 Puntos clave

  1. Primero mira la Plantilla de puntos clave, a la derecha. Por defecto es «COCO persona 17 puntos» (nariz, ojo izquierdo, ojo derecho… tobillo izquierdo, tobillo derecho). Para cambiarla, haz clic en Editar:
    • Nombre de la plantilla;
    • Nombres de los puntos (uno por línea; el orden de los puntos es el orden en que haces clic al anotar);
    • Conexiones (un par de números por línea, como 1-2, para dibujar el esqueleto);
    • también puedes hacer clic en Usar COCO persona 17 puntos para volver a la plantilla predeterminada.
    • Cuando ya hay anotaciones de puntos clave, solo puedes cambiar los nombres y las conexiones, no añadir ni quitar puntos.
  2. Elige la clase y pulsa R para dibujar el cuadro del objeto.
  3. Después del cuadro, coloca los puntos clave uno a uno según el aviso (bajo la imagen se indica qué punto toca, por ejemplo «Haz clic en hombro izquierdo (6/17)»):
    • Clic normal: punto visible;
    • Shift + clic: punto oculto;
    • N: omitir un punto que no se ve;
    • Retroceso: volver al punto anterior;
    • Esc: terminar este objeto.
  4. Afinar: con el objeto seleccionado, arrastra directamente los puntos clave. A la derecha aparece el estado de cada punto: haz clic en un nombre para volver a colocar ese punto; haz clic en el estado para alternar entre «visible / oculto».
  5. Con el objeto seleccionado, haz clic en Recolocar puntos clave para volver a marcarlos desde el primero.

5.7 Copiar la imagen anterior, deshacer y rehacer

5.8 Terminar y omitir

Si anotas tú solo, no hace falta revisar: las imágenes con objetos anotados cuentan automáticamente como «Anotadas» y se usan directamente en el entrenamiento. En el bloque «Listo» de la derecha:

Al terminar la última imagen verás «Terminaste este lote», con el número de imágenes anotadas y las que faltan. Puedes hacer clic en Ir a entrenar o en Seguir con las sin anotar.

Elige «Omitida» en el filtro de arriba para encontrar las imágenes omitidas y revisarlas de nuevo.

El flujo de revisión solo existe en la colaboración en equipo (cuando has añadido miembros o activado la colaboración en tiempo real). Entonces este bloque pasa a llamarse «Revisión» y los botones son Aprobar y siguiente y Rechazar; ver el capítulo 9.

5.9 Fotogramas de video: interpolación de fotogramas clave y seguir hacia adelante

Sirve para proyectos de detección y de puntos clave. Los fotogramas extraídos de un video (en la misma carpeta y ordenados por nombre de archivo) no tienes que dibujarlos uno a uno.

Interpolación de fotogramas clave (fragmentos en los que el objeto se mueve a velocidad constante):

  1. Ve al primer fotograma del fragmento y anota todos los objetos (este es un «fotograma clave»).
  2. Ve al último fotograma del fragmento y anota los mismos objetos.
  3. En ese último fotograma, haz clic en el botón Interpolación de fotogramas clave, a la izquierda.
  4. La aplicación empareja los objetos de los dos extremos por clase y posición y rellena automáticamente los fotogramas intermedios. Verás «Se interpolaron M objetos en N fotogramas intermedios»; si algún objeto no coincide en ambos extremos, te lo indicará aparte.

Seguir hacia adelante (cuando el objeto se mueve de forma irregular):

  1. Anota los objetos en el fotograma actual.
  2. Haz clic en el botón Seguir hacia adelante, a la izquierda. En la ventanita que aparece, indica los Fotogramas (30 por defecto, 500 como máximo) y haz clic en Seguir.
  3. La aplicación sigue los cuadros de este fotograma, fotograma a fotograma. Se detiene si el objeto queda tapado o se pierde, y también al llegar a un fotograma anotado a mano más adelante, así que nunca sobrescribe anotaciones manuales.
  4. Al terminar, salta al último fotograma seguido. Si un cuadro se desvió, arrástralo a su sitio (el cuadro arrastrado pasa a ser una anotación manual y ese fotograma se convierte en un nuevo fotograma clave) y vuelve a hacer clic en Seguir hacia adelante para continuar.

Los cuadros interpolados y seguidos aparecen en «Objetos de esta imagen», a la derecha, con el origen «Interpolado» o «Seguir». Si vuelves a interpolar o a seguir, se sustituyen; los cuadros dibujados a mano no se tocan.

Para ahorrar esfuerzo: anota a mano un lote pequeño (de unas decenas a un par de cientos de imágenes), entrena un primer modelo y úsalo para preanotar el resto (capítulo 12). Tú solo tendrás que corregir los errores.

06 Anotación asistida por IA

Aunque todavía no tengas tu propio modelo, la IA puede ayudarte a anotar.

6.1 Selección inteligente de SAM

  1. Elige la clase y pulsa S (o haz clic en el botón SAM, a la izquierda).
  2. La primera vez se instalan componentes y se descarga el modelo, lo que puede tardar unos minutos; en la imagen verás «Preparando SAM…». Con GPU NVIDIA se usa SAM ViT-B; sin ella, el ligero SlimSAM.
  3. Haz clic una vez sobre el objeto y su contorno se selecciona automáticamente (vista previa).
    • Si selecciona de más: haz Shift + clic en la parte sobrante para excluirla;
    • si selecciona de menos: haz clic en la parte que falta;
    • si te equivocas, pulsa Retroceso para quitar el último punto;
    • también puedes arrastrar un cuadro alrededor del objeto.
  4. Cuando te guste, pulsa Enter para aplicarlo con la clase actual; pulsa Esc para descartarlo.
  5. Resultado: en proyectos de segmentación obtienes un polígono; en detección, un cuadro ajustado al borde; en puntos clave, un objeto nuevo (luego haz clic en «Recolocar puntos clave» para marcar los puntos).

6.2 Prompt de texto

Busca objetos en la imagen según el nombre de la clase:

  1. En «Asistencia de IA», a la derecha, elige Prompt de texto.
  2. El modelo solo entiende inglés. Más de cien nombres de clase habituales en chino (安全帽 «casco», 人员 «persona», 电动车 «bicicleta eléctrica», 渣土车 «camión de escombros», 锥桶 «cono», etc.) se asocian automáticamente al inglés, que aparece tras el nombre de la clase, por ejemplo «安全帽 · helmet»; también funciona si el nombre contiene esas palabras, como «红色安全帽» («casco rojo»). Si tus clases tienen nombres en español u otro idioma, o quieres cambiar la asociación, rellena el prompt en inglés al editar la clase.
  3. Ajusta la Confianza: si encuentra demasiados objetos, súbela; si no encuentra nada, bájala.
  4. Haz clic en Anotar esta imagen (P) para anotar la imagen actual, o en Preanotación por lotes para anotar un lote de una vez.
  5. La primera vez se descarga el modelo, lo que tarda unos minutos. En proyectos de segmentación, además se usa SAM para obtener los contornos.

6.3 Xuntong AI

(El uso completo de Xuntong AI está en el capítulo 16.)

  1. Primero configura Xuntong AI en Ajustes (ver 2.3).
  2. En «Asistencia de IA», elige Xuntong AI y, en «Seleccionar un modelo de reconocimiento», elige:
    • Reconocer por clases del proyecto (recomendado): solo busca las clases del proyecto, con sus nombres tal cual, siguiendo las notas de reconocimiento de cada clase y las reglas generales; no detecta cosas que no necesitas;
    • un modelo dedicado contratado en la plataforma;
    • Reconocimiento general con LLM: busca por categorías de riesgos de seguridad (incendios, electricidad, higiene ambiental, etc.).
  3. Haz clic en Anotar esta imagen (P) o en Preanotación por lotes. Con un modelo dedicado (por ejemplo, clasificación de residuos) la preanotación por lotes es muy rápida: lotes de 8 imágenes, dos lotes a la vez. El LLM y el reconocimiento por clases del proyecto van imagen a imagen y son más lentos.
  4. Xuntong AI cuenta 1 llamada por imagen y consume la cuota del plan de tu cuenta; antes de un lote te avisa.

6.4 Reglas de reconocimiento: explica a la IA cómo reconocer

Con solo el nombre de la clase, la IA no siempre sabe qué buscas exactamente. Puedes escribir las reglas con claridad o, directamente, chatear con la IA:

  1. Junto al título «Asistencia de IA», haz clic en Reglas de reconocimiento; se abre el panel de reglas a la derecha.
  2. Chatear con la IA: explícale con palabras sencillas cómo debe reconocer, por ejemplo «un casco con la correa sin abrochar también cuenta como sin casco», «el chaleco reflectante no cuenta», «mira solo el pasillo de la mitad inferior de la imagen». También puedes preguntar «¿por qué no se reconoció a la persona de la izquierda en esta imagen?».
    • Por defecto está marcado Adjuntar la imagen actual: la IA probará a reconocer esta imagen con las nuevas reglas.
    • Si en su respuesta la IA sugiere actualizar las reglas, verás «La IA sugiere actualizar las reglas» y su contenido; solo se guardan si haces clic en Aplicar estas reglas.
    • Si la prueba de reconocimiento da resultados, haz clic en Añadir los N cuadros de la prueba de reconocimiento a esta imagen para usarlos como preanotación.
    • Ctrl+Enter para enviar. Cada conversación consume cuota de Xuntong AI.
  3. Reglas actuales: puedes editar directamente las Reglas generales (se aplican a todas las clases) y las notas de reconocimiento de cada clase, y hacer clic en Guardar reglas.
  4. A partir de entonces, la preanotación con «Reconocer por clases del proyecto» de Xuntong AI seguirá estas reglas.
  5. (Opcional) Al final de «Reglas actuales», haz clic en Sincronizar con la plataforma Xuntong: guarda las clases y las reglas en la plataforma Xuntong. Por defecto quedan desactivadas, así que no afectan al reconocimiento actual de la plataforma. Una vez vinculado, cada vez que guardes o apliques reglas el contenido se sincroniza automáticamente (sin cambiar la activación ni las escenas que configuraste en la consola de Xuntong).
  6. Si quieres que el reconocimiento propio de la plataforma Xuntong (asistente de capturas, envío de alarmas) también informe solo de tus clases, activa Usar también estas reglas en el reconocimiento de la plataforma. Atención: al activarlo, todo el reconocimiento de la cuenta de Xuntong sigue las clases de este proyecto; las escenas a las que se aplica se ajustan en «Reglas de reconocimiento» de la consola de Xuntong. Si ya no quieres sincronizar, haz clic en Desvincular (las reglas de la plataforma no se eliminan). Cada cuenta de Xuntong puede tener como máximo 20 conjuntos de reglas de reconocimiento.

Límites: el reconocimiento por clases del proyecto admite como máximo 30 clases, con nombres de 30 caracteres como máximo; las reglas generales, 1000 caracteres como máximo, y las notas de reconocimiento de cada clase, 500 caracteres como máximo.

Durante la colaboración, los miembros también pueden abrir las reglas de reconocimiento y chatear con la IA (si el anfitrión habilitó la asistencia de IA, se usa la cuota del anfitrión); que puedan editar las reglas depende del interruptor «Los miembros pueden añadir y editar clases».

6.5 Revisar los resultados de la asistencia

Los cuadros y contornos que marca la IA se muestran con línea discontinua. Revísalos: elimina los incorrectos, recoloca los desviados, añade los que falten y pulsa Enter (Listo y siguiente).

07 Diagnóstico de datos

Haz clic en Diagnóstico, a la izquierda, para encontrar con un clic los problemas de tus datos.

  1. Elige el tipo de revisión:
    • Si tienes un modelo entrenado: elige «Revisar con el modelo: nombre del modelo · mAP50 …»; se revisan las reglas y además se usa el modelo;
    • Si no tienes modelo: elige «Solo comprobación de reglas (sin modelo)».
  2. Haz clic en Iniciar diagnóstico.
  3. Los resultados se agrupan por tipo de problema:
    ProblemaQué significaRequiere modelo
    Posible objeto sin anotarEl modelo está muy seguro de que aquí hay un objeto, pero no hay anotaciónSí
    Posible clase incorrectaLa posición del cuadro coincide, pero la clase no es la que predice el modeloSí
    Cuadro imprecisoLa clase coincide, pero el cuadro se solapa poco con la predicción del modeloSí
    Posible cuadro de másHay un cuadro anotado, pero el modelo no ve nada en esa posiciónSí
    Cuadro diminutoEl lado corto mide menos de 8 píxeles; el modelo apenas puede aprender de élNo
    Cuadro duplicadoDos cuadros de la misma clase en la misma imagen se solapan casi por completoNo
    Imágenes duplicadasImágenes casi idénticas, que inflan los resultados de la evaluaciónNo
    Sin claseEl cuadro no tiene clase y no se usará en el entrenamientoNo
  4. Con cada problema puedes:
    • Corregir: ir a la página Anotar con ese cuadro resaltado;
    • Añadir como anotación: en un posible objeto sin anotar, añadir directamente un cuadro según la predicción del modelo;
    • No es un problema: ignorarlo; no volverá a aparecer en futuros diagnósticos.

      Si un tipo de problema tiene muchas entradas, puedes resolverlas de una vez con Añadir todo como anotaciones (posibles objetos sin anotar) o Ignorar todo. Los problemas ignorados se recuperan haciendo clic en «Se ignoraron N elementos · Restaurar».

  5. Las imágenes que corregiste en la página Anotar aparecen como «Modificada» y plegadas por defecto al volver a la página de diagnóstico, así que no hace falta repetir el diagnóstico.
  6. Las imágenes duplicadas se muestran por grupos, y en cada imagen se ve su estado y su número de anotaciones. La del borde verde es la que se conserva; por defecto, la que tiene las anotaciones más completas (Revisadas > Anotadas > más anotaciones). Haz clic en otra imagen para cambiarla o doble clic para verla en la página Anotar. Haz clic en Conservar una por grupo para eliminar las demás; las imágenes con anotaciones no se eliminan por error.
  7. Más abajo están la Distribución de clases (cuadros · imágenes) y la Distribución del tamaño de los cuadros; si hay clases con muy pocos ejemplos o cuadros demasiado pequeños, verás recomendaciones. En los proyectos de clasificación solo se comprueban las posibles clases incorrectas y las imágenes duplicadas.

08 Versiones del conjunto de datos

Guarda los datos de un momento dado como instantánea, para compararlos y volver atrás.

  1. En la página Datos, haz clic en Gestionar → Versiones del conjunto de datos (guardar instantáneas, comparar, restaurar).
  2. Rellena el nombre de la versión (por ejemplo, v1, imágenes nocturnas añadidas) y una Nota (opcional), y haz clic en Guardar los datos actuales como nueva versión.
    • La versión guarda las imágenes anotadas y revisadas actuales con sus anotaciones, y la división en entrenamiento / validación / prueba.
  3. En cada fila de la lista de versiones puedes:
    • Comparar con los datos actuales: ver las imágenes añadidas, las quitadas y las que tienen anotaciones modificadas, y cómo cambió el número de anotaciones por clase;
    • Exportar esta versión;
    • Restaurar a esta versión: antes de restaurar, los datos actuales se guardan automáticamente como una versión «Copia de seguridad automática antes de restaurar», así que siempre puedes volver;
    • Renombrar, editar nota y Eliminar esta versión (solo se borra la instantánea; los datos actuales y los modelos entrenados no se tocan).
  4. En «Datos de entrenamiento», en la página Entrenar, puedes elegir una versión para entrenar con ella (ver 10.1).

09 Colaboración en equipo

Cuando hay muchas imágenes y una sola persona no da abasto, tienes dos opciones:

9.1 Iniciar la colaboración en tiempo real

  1. Haz clic en Colaborar, a la izquierda.
  2. Primero añade miembros en «Miembro»: rellena el Nombre (para iniciar sesión), elige el Rol (la contraseña se genera al azar por defecto; puedes cambiarla) y haz clic en Añadir. Copia el usuario y la contraseña que aparecen y envíaselos (solo se muestran esta vez; si se olvidan, usa Restablecer contraseña).
    • Anotador: solo puede ver y editar las imágenes que tiene asignadas;
    • Revisor: puede ver todas las imágenes y se encarga de aprobarlas o rechazarlas;
    • Tú eres el Administrador.
  3. En «Compartir», elige el modo:
    • LAN: los miembros están en la misma red de la empresa o en la misma Wi-Fi que tú. Es lo más rápido y los datos no salen de la empresa.
    • En línea · Retransmisión propia: los miembros están fuera (subcontratas, teletrabajo). Necesitas un servidor en la nube propio con el servicio de retransmisión de Wulabel instalado (las instrucciones de despliegue están en la carpeta relay/ del repositorio). Rellena la Dirección de retransmisión y la Clave secreta. Los datos solo pasan por vuestro propio servidor.
    • En línea · Retransmisión oficial de Xuntong: para cuando los miembros están fuera y no tienes servidor propio. Usa tu API Key de Xuntong para conectar con el servidor de retransmisión de Xuntong. Las imágenes y anotaciones pasan por los servidores de Xuntong (solo se reenvían, no se guardan); para proyectos con datos sensibles, usa uno de los dos primeros modos.
  4. Rellena Tu nombre (el nombre del anfitrión que verán los miembros). Normalmente no hace falta cambiar el Puerto (8765 por defecto).
  5. Opciones:
    • Los miembros pueden usar la asistencia de IA: la selección inteligente de SAM, la preanotación con modelo y el prompt de texto se calculan en tu equipo; chatear con la IA sobre las reglas de reconocimiento consume tu cuota de Xuntong.
    • Los miembros pueden añadir y editar clases y notas de reconocimiento: eliminar una clase borra todas sus anotaciones, así que solo puedes hacerlo tú.
    • Superponer una marca de agua con el nombre del miembro en su pantalla: disuade de filtrar capturas; útil con subcontratas.
  6. Haz clic en Iniciar colaboración. La página mostrará la Dirección LAN (por ejemplo, http://192.168.1.20:8765/); en el modo en línea, también la Dirección de Internet (por ejemplo, https://relay.example.com/s/xxxxxxxxxxxx/). Envía la dirección y el usuario y la contraseña de cada uno a los miembros.
    • La primera vez, Windows puede mostrar un aviso del firewall: haz clic en Permitir.
    • Con la colaboración activa puedes cambiar las tres opciones en cualquier momento; el cambio es inmediato.
    • Haz clic en Detener colaboración y los miembros se desconectan al instante; las anotaciones guardadas no se pierden. Cambiar de proyecto o cerrar Wulabel también la detiene.

9.2 Asignar tareas

  1. En «Asignar tareas», elige los anotadores (puedes hacer clic en Seleccionar todos los anotadores).
  2. Elige el alcance:
    • Imágenes sin anotar aún no asignadas (lo más habitual);
    • Todas las imágenes sin anotar (también se reasignan las ya asignadas);
    • Imágenes sin revisar (sin anotar + anotadas).
  3. Por persona N imágenes: si lo dejas vacío, todas las imágenes del alcance se reparten a partes iguales. Se asignan de forma consecutiva, por orden de imagen, así que los fotogramas seguidos de un video van a la misma persona.
  4. Haz clic en Asignar. A los miembros les aparecerán las nuevas tareas automáticamente.
  5. En la lista de miembros verás cuántas imágenes tiene asignadas cada uno, cuántas ha enviado y cuántas le han rechazado. Haz clic en Retirar tareas para recuperar las imágenes que aún no ha enviado y asignárselas a otra persona.

9.3 Cómo anotan los miembros (navegador)

  1. Abre con Chrome o Edge la dirección que te dio el anfitrión y entra con tu Nombre y Contraseña. En tu propio equipo puedes marcar Mantener la sesión iniciada. No hay que instalar nada.
  2. Entras directamente en la página de anotación, que solo muestra las imágenes que tienes asignadas. Se usa igual que en Wulabel: cuadros, atajos de teclado y asistencia de IA (si el anfitrión la habilitó). Arriba a la derecha ves cuántas imágenes has enviado hoy.
  3. Cuando termines, haz clic en Enviar y siguiente (Enter) y espera la revisión.
  4. Las imágenes rechazadas están en el filtro Rechazadas; encima de la imagen se muestra el motivo. Corrígelas y vuelve a enviarlas.
  5. Si otra persona está anotando una imagen, verás «Fulano está anotando esta imagen»: solo puedes verla, y sus cambios aparecen en tiempo real. Cuando salga, podrás editarla automáticamente.
  6. Si se corta la red, arriba a la derecha verás «Se perdió la conexión en tiempo real; reconectando…». Al volver la conexión se sigue automáticamente y no se pierde nada de lo guardado.

9.4 Revisión

  1. El revisor (o tú) filtra Anotadas en la página de anotación y las revisa una a una.
  2. Si está bien: haz clic en Aprobar y siguiente (Enter).
  3. Si hay algún problema: haz clic en Rechazar, marca los motivos habituales (objetos sin anotar, cuadro impreciso, clase incorrecta, anotaciones de más, puntos clave incorrectos) o explica qué hay que corregir, y haz clic en Rechazar.
  4. La imagen rechazada vuelve a «Rechazadas» del anotador original, que la corrige y la vuelve a enviar.

9.5 Progreso, carga de trabajo e historial

9.6 Cómo elegir entre los tres modos

LANEn línea · Retransmisión propiaEn línea · Retransmisión oficial de Xuntong
ParaMisma red de la empresa o misma Wi-FiSubcontratas o teletrabajo, con servidor en la nube propioSubcontratas o teletrabajo, sin servidor
Dirección para los miembroshttp://IP-de-tu-equipo:8765/https://tu-retransmisión/s/ID/https://xuntongai.com/wulabel-relay/s/ID/
VelocidadLa más rápidaDepende del ancho de banda del servidorDepende del ancho de banda de los servidores de Xuntong
Por dónde pasan los datosSolo por la red interna de la empresaPor vuestro propio servidor (solo reenvía, no guarda)Por los servidores de Xuntong (solo reenvían, no guardan)
Qué necesitasNadaUn servidor en la nube con el servicio de retransmisión instalado según relay/README.mdUna cuenta de Xuntong AI (inicia sesión en Ajustes)

9.7 Quién puede hacer qué

AcciónAdministrador (tú)RevisorAnotador
Imágenes visiblesTodasTodasSolo las asignadas
Dibujar cuadros, editar anotaciones✓✓✓ (solo en sus imágenes)
Enviar✓✓✓
Aprobar, rechazar✓✓
Añadir y editar clases y notas de reconocimiento✓Según el interruptor «Los miembros pueden añadir y editar clases»Según el interruptor
Eliminar clases✓
SAM, preanotación con modelo, prompt de texto✓Según el interruptor «Los miembros pueden usar la asistencia de IA» (se calcula en tu equipo)Según el interruptor
Preanotación con Xuntong AI✓
Chatear con la IA sobre las reglas de reconocimiento✓Según el interruptor «Asistencia de IA» (usa tu cuota de Xuntong)Según el interruptor
Asignar tareas, gestionar miembros, estadísticas✓
Importar, exportar, entrenar, desplegar, diagnóstico✓

Una imagen solo puede editarla una persona a la vez: quien la abre primero obtiene el «bloqueo», y los demás la abren en solo lectura y ven sus cambios en tiempo real. El bloqueo se libera automáticamente cuando esa persona pasa a la siguiente imagen, cierra la página o lleva 90 segundos sin conexión.

9.8 Un ejemplo completo

Supongamos que «una subcontrata anota 2000 imágenes de clasificación de residuos y tu equipo las revisa»:

  1. Preparación: crea un proyecto de detección en Wulabel, importa las 2000 imágenes y añade las clases a la derecha (reciclable, orgánico, peligroso, resto). Puedes preanotarlo todo primero por lotes con el modelo dedicado de Xuntong AI (ver 16.4); así los anotadores solo corrigen errores y van mucho más rápido.
  2. Añadir miembros: en la página «Colaborar», añade 3 anotadores (Ana, Luis y Marta, de la subcontrata) y 1 revisor (Carlos, de tu equipo), y envía a cada uno su usuario y contraseña.
  3. Iniciar la colaboración: elige «En línea · Retransmisión oficial de Xuntong» (o una retransmisión propia), marca la «marca de agua», iníciala y envía la dirección de Internet a las 4 personas.
  4. Asignar: selecciona todos los anotadores, alcance «Imágenes sin anotar aún no asignadas», deja vacío el número por persona y haz clic en asignar: unas 666 imágenes por persona.
  5. Anotar: los anotadores abren la dirección en el navegador, inician sesión y solo ven sus imágenes; al terminar cada una, pulsan Enter para enviarla.
  6. Revisar: Carlos filtra «Anotadas» y las revisa una a una. Si está bien, pulsa Enter para aprobar; si no, hace clic en «Rechazar», marca «Objetos sin anotar» y escribe «hay otra botella abajo a la derecha». La imagen rechazada vuelve a «Rechazadas» del anotador original, que la corrige y la reenvía.
  7. Seguir el progreso: en la página «Colaborar» ves quién está conectado, quién va más rápido y a quién le rechazan más. Si alguien se queda atrás, usa «Retirar tareas» para recuperar sus imágenes pendientes y asignárselas a otra persona.
  8. Pago: en «Progreso y carga de trabajo», elige el periodo, haz clic en «Exportar CSV» y calcula el pago a la subcontrata según las imágenes enviadas y la tasa de aprobación.
  9. Cierre: cuando todo esté aprobado, detén la colaboración y vuelve a Wulabel para entrenar, evaluar y desplegar como siempre.

9.9 Preguntas frecuentes

9.10 Paquetes sin conexión

Para cuando no hay red o los datos no pueden salir de la empresa. Cada paquete es un proyecto de Wulabel independiente: se lo pasas a otra persona, lo anota y lo fusionas de vuelta.

Repartir en paquetes:

  1. En la página Datos, haz clic en Gestionar → Colaboración en equipo (repartir en paquetes y fusionar de vuelta) y ve a Repartir en paquetes.
  2. Guardar en: elige una carpeta; los paquetes de anotación se crearán ahí.
  3. Rellena los Anotadores, uno por línea (o separados por comas), por ejemplo «Ana», «Luis». Habrá un paquete por persona.
  4. Elige el alcance: Solo imágenes sin anotar / Sin revisar (sin anotar + anotadas pendientes de revisión) / Todas (excepto las omitidas).
  5. Marca Incluir las anotaciones existentes: así las imágenes preanotadas por el modelo se corrigen sobre lo ya hecho, que es más rápido.
  6. (Opcional) Marca Anonimizar imágenes para tapar caras, matrículas y otras zonas privadas antes de enviarlas (ver 13.2).
  7. Haz clic en Repartir en N paquetes. Al terminar, se abre la carpeta de destino. Copia cada carpeta de paquete a la persona correspondiente; con Abrir proyecto en Wulabel ya puede anotar.

Fusionar de vuelta:

  1. Copia de vuelta las carpetas de los paquetes terminados.
  2. Abre Colaboración en equipo y ve a Fusionar de vuelta (o, en la lista «Paquetes enviados», haz clic directamente en Fusionar en ese paquete).
  3. Elige la carpeta del paquete. Opciones: En caso de conflicto, sobrescribir con la versión del paquete (por defecto no se sobrescriben las imágenes que también se modificaron en el proyecto original tras repartir los paquetes) e Importar también las imágenes que el anotador añadió al paquete.
  4. Haz clic en Fusionar. El resultado indica cuántas imágenes se fusionaron, cuántas no cambiaron, cuántas son nuevas y cuántas tienen conflicto. Si hay conflictos, haz clic en Revisar una por una.

10 Entrenar

Haz clic en Entrenar, a la izquierda. Antes del primer entrenamiento tienes que instalar el entorno de entrenamiento (ver capítulo 2); si no está instalado, la página te mostrará Instalar.

10.1 Configurar los parámetros de entrenamiento

En la parte superior de la página verás el número de «Imágenes entrenables» (las imágenes anotadas; en la colaboración en equipo, también las revisadas). Las imágenes que aún no estén divididas se reparten automáticamente 8:2 entre entrenamiento y validación al iniciar el entrenamiento; las que ya están divididas no cambian solas, así que puedes comparar directamente varios entrenamientos.

Haz clic en Ver y ajustar, junto a «Imágenes entrenables», para ver en qué conjunto está cada imagen:

En el diálogo, haz clic en las imágenes para seleccionarlas (doble clic para abrirlas y anotarlas) y usa Mover al conjunto de entrenamiento / Mover al conjunto de validación / Mover al conjunto de prueba para ajustarlo a mano. Debajo puedes cambiar las proporciones de entrenamiento / validación / prueba y hacer clic en Asignar ahora las N imágenes sin asignar o en Volver a dividir todo (la división anterior se mezcla y los entrenamientos de antes y de después ya no se pueden comparar directamente). Si el conjunto de entrenamiento se queda vacío, verás un aviso y no podrás iniciar el entrenamiento.

OpciónDescripción
Punto de partidaPor defecto, «Empezar desde pesos preentrenados (desde cero)». Después de añadir datos nuevos puedes elegir «Continuar desde «un entrenamiento»», que es más rápido y estable que empezar de cero; si cambiaron las clases, la parte de clasificación vuelve a aprender.
ModeloSe listan según la tarea del proyecto; el marcado como «Recomendado» se elige según este equipo: en detección, sin GPU dedicada se recomienda YOLOX-Tiny; con 4 GB o más de memoria de GPU, YOLOX-S; con 8 GB o más, YOLOX-M; en Mac, YOLOX-S. Los proyectos de detección nuevos usan YOLOX-S por defecto. Al continuar un entrenamiento se reutiliza el modelo de ese entrenamiento.
ÉpocasCuantos menos datos, más épocas hacen falta; normalmente entre 20 y 50.
Tamaño de entradaPara objetos pequeños (personas lejanas, cascos) usa un tamaño mayor; será más lento. En clasificación se suele usar 224.
Tamaño de loteRedúcelo si da error por falta de memoria de GPU.
Datos de entrenamiento«Datos actuales» o una versión del conjunto de datos.
Dispositivo«Automático (usa la GPU si hay una)» o «Solo CPU».
Usar solo imágenes revisadasSolo en la colaboración en equipo: si lo marcas, solo se entrena con las imágenes revisadas.

El tamaño de entrada, el tamaño de lote, el aumento de datos, el dispositivo y «Usar solo imágenes revisadas» (solo en la colaboración en equipo) están en «Ajustes avanzados», plegado por defecto; haz clic en «Ajustes avanzados» para desplegarlo. La aplicación recuerda si la última vez lo dejaste desplegado o plegado.

Si se agota la memoria de GPU al entrenar (desde v0.4.2), la aplicación reduce automáticamente el tamaño de lote a la mitad y vuelve a entrenar desde el principio, hasta llegar a 1. Verás un aviso una vez y el entrenamiento quedará registrado con algo como «Tamaño de lote 2 (reducido automáticamente desde 8 por falta de memoria de GPU)». Cuanto menor es el tamaño de lote, más lento es el entrenamiento; si la memoria de GPU no da para más, también puedes elegir un modelo un nivel más pequeño o reducir el tamaño de entrada.

Modelos disponibles:

TareaModeloCaracterísticas
DetecciónYOLOX-NanoEl más ligero de la serie YOLO, para CPU, teléfonos y dispositivos de borde muy limitados; entrada de 416 por defecto
DetecciónYOLOX-TinyMuy ligero, para inferencia en tiempo real en CPU y equipos de borde con NPU; entrada de 416 por defecto
DetecciónYOLOX-SEl mejor equilibrio entre velocidad y precisión; empieza con este en la mayoría de los proyectos
DetecciónYOLOX-MMás preciso; se recomiendan 6 GB o más de memoria de GPU
DetecciónYOLOX-LEl más preciso y el más lento; se recomiendan 8 GB o más de memoria de GPU
DetecciónFaster R-CNN MobileNetV3Rápido y con poco consumo de memoria de GPU; adecuado para empezar y para equipos sin GPU dedicada
DetecciónFaster R-CNN ResNet50Más preciso y más lento; se recomiendan 6 GB o más de memoria de GPU
DetecciónRetinaNetDe una etapa, con precisión cercana a Faster R-CNN; se convierte a TensorRT con más facilidad
DetecciónFCOSDe una etapa, sin anclas, estructura sencilla; adecuado para despliegue
DetecciónSSDLiteDe una etapa y muy ligero, para dispositivos de borde con CPU o NPU; entrada fija de 320, rendimiento discreto con objetos pequeños
SegmentaciónMask R-CNNSegmentación de instancias; se recomiendan 6 GB o más de memoria de GPU
Puntos claveKeypoint R-CNNLa pose humana de 17 puntos aprovecha el preentrenamiento de COCO
ClasificaciónMobileNetV3 / EfficientNet-B0 / ResNet50De más ligero y rápido a más preciso

10.2 Modelos YOLOX

YOLOX es una familia de modelos de detección de la serie YOLO publicada como código abierto por Megvii (Apache-2.0, puedes usarla comercialmente sin preocupaciones), la misma serie que los modelos dedicados de la plataforma Xuntong AI.

Los modelos YOLOX entrenados se usan igual que los demás: evaluación, preanotación con modelo, prueba de falsos positivos, prueba en vivo, exportación para despliegue y subida a Xuntong.

10.3 Aumento de datos

Altera las imágenes al azar durante el entrenamiento para que el modelo vea más variedad; se nota mucho cuando hay pocos datos.

  1. En «Aumento de datos», elige un preajuste: Desactivado, Predeterminado, Suave, Estándar o Fuerte (para pocos datos).
  2. Para afinarlo, despliégalo y cambia Volteo horizontal, Volteo vertical, Brillo, Contraste, Saturación, Tono, Desenfoque (simula imágenes desenfocadas y movidas), Ruido (simula poca luz por la noche), Multiescala (ayuda con objetos cuyo tamaño varía mucho según la distancia), Rotación y Recorte aleatorio. Si cambias algo, el preajuste pasa a «Personalizado».
  3. Haz clic en Vista previa para ver cómo quedan algunas imágenes con el aumento aleatorio (cada imagen se transforma dos veces al azar; los cuadros rojos muestran la posición de las anotaciones tras la transformación) y comprobar que no es demasiado exagerado.

10.4 Iniciar el entrenamiento y seguir el proceso

  1. Antes de empezar, mira el texto «~N pasos por época · ~M en total» encima del botón. Si hay muy pocas imágenes (menos de 20 en el conjunto de entrenamiento) o muy pocos pasos en total (menos de unos 300), al hacer clic en Iniciar entrenamiento primero aparece un aviso: entrenar así casi seguro no aprenderá nada y las métricas pueden quedarse en 0. Es mejor anotar más imágenes o aumentar las épocas como se sugiere; con muy pocos datos también puedes empezar con Faster R-CNN MobileNetV3. Si de verdad solo quieres probar, haz clic en Empezar de todos modos. También verás un aviso si el conjunto de validación solo tiene una o dos imágenes: las métricas variarán mucho y no serán fiables.
  2. Haz clic en Iniciar entrenamiento. La primera vez se descargan los pesos preentrenados y verás «Preparando…».
  3. Durante el entrenamiento verás «Época N / M · progreso de la época · loss · tiempo restante» y, debajo, la curva de Pérdida (loss), las curvas de métricas del Conjunto de validación y el Registro.
    • La «Información clave», encima del registro, muestra siempre las primeras líneas del registro: el dispositivo usado, el número de imágenes de los conjuntos de entrenamiento y validación, y si se cargaron los pesos preentrenados. Las líneas de error y de advertencia aparecen en amarillo.
    • Si te desplazas hacia arriba en el registro, no te devuelve al final; si estás al final, sigue las líneas nuevas.
    • Si no se pudieron descargar los pesos preentrenados (casi siempre por la red) o las métricas se quedan en 0 durante 10 épocas seguidas, aparece una barra amarilla en la parte superior de la página con la causa probable y qué hacer.
  4. Para terminar antes, haz clic en Detener y confirma; se detiene cuando termina el lote actual. El mejor modelo hasta el momento se conserva y luego puedes elegirlo para «continuar entrenando».
  5. Al terminar el entrenamiento aparece una notificación del sistema y el icono de la barra de tareas parpadea (te enteras aunque la aplicación esté en segundo plano); dentro de la aplicación, abajo a la derecha, verás «Entrenamiento terminado» con la mejor métrica y una valoración (bajo / regular / aceptable):
    • si los resultados son buenos, puedes hacer clic directamente en Evaluar o Preanotar;
    • si son muy malos, se te sugerirá hacer clic en Ver la causa para volver a la página Entrenar y revisarlo;
    • si el entrenamiento falla, verás un aviso aunque no estés en la página Entrenar; haz clic en Ver error para consultarlo.
  6. Cuando el entrenamiento da error, los errores habituales se explican en lenguaje sencillo y con un botón para solucionarlos: el controlador de la GPU no coincide con PyTorch (Cambiar la versión de PyTorch en Ajustes), falta memoria de GPU o RAM (Usar CPU), el disco está lleno, falló una descarga por la red o no se encuentran archivos de imagen (Ir a Datos). Haz clic en Detalles para desplegar el mensaje de error completo.

10.5 Entrenamientos y comparación

Cada entrenamiento se guarda automáticamente como un registro en Entrenamientos, con la fecha, el modelo, los datos, las épocas, las métricas y el estado (Entrenando / Listo / Detenido / Error). En cada uno puedes:

Comparar entrenamientos:

  1. En Entrenamientos, marca dos o más.
  2. Haz clic en Comparar selección (N).
  3. En la ventana de comparación: parámetros y datos lado a lado (las diferencias en negrita), todas las métricas, las curvas de pérdida superpuestas y, en los resultados por clase, el mejor entrenamiento destacado.

10.6 Importar un modelo externo

Un modelo de detección entrenado en otro lugar (por ejemplo, con Ultralytics YOLO) y exportado a ONNX se puede importar para preanotar, hacer diagnósticos, evaluar y hacer pruebas de falsos positivos (no se puede seguir entrenando ni desplegar). Por ahora solo funciona en proyectos de detección.

  1. Encima de Entrenamientos, haz clic en Importar modelo externo.
  2. Haz clic en Seleccionar archivo .onnx.
  3. La aplicación detecta automáticamente:
    • Formato: YOLOv8 / v11 (Ultralytics), YOLOv5 / v7, modelos de extremo a extremo como YOLOv10, YOLOX, RT-DETR, DETR / RF-DETR y modelos exportados por Wulabel. Si no acierta, puedes cambiarlo a mano;
    • Tamaño de entrada;
    • Nombres de clase (uno por línea, en el mismo orden que el modelo). Si cambias los nombres de clase en inglés por los de tu proyecto, se asocian; por ejemplo, cambia person por «Persona».
  4. Clases que se usarán: las clases sin marcar no se añaden al preanotar; las que tienen el mismo nombre que en el proyecto se marcan por defecto.
  5. Haz clic en Importar. En Entrenamientos aparecerá un registro nuevo «… (externo)».

11 Evaluar

Haz clic en Evaluar, a la izquierda, y elige un entrenamiento (si llegas desde «Ver evaluación» en la página Entrenar, ya estará elegido ese). Los que siguen entrenando aparecen como «Entrenando» y solo se pueden elegir cuando terminan.

11.1 Ver las métricas

11.2 Matriz de confusión

Las filas son las clases reales y las columnas, las predicciones del modelo. La diagonal son los aciertos; las demás celdas son confusiones de una clase con otra. La última columna «Fondo» son los objetos no detectados; la última fila «Fondo» son los falsos positivos. Pasa el ratón para ver los números exactos.

11.3 Errores

11.4 Umbral de confianza

Qué umbral usar para las alarmas en el despliegue lo decides aquí:

  1. La aplicación recomienda el umbral con el F1 más alto y muestra la precisión y la exhaustividad con ese umbral.
  2. Las curvas muestran cómo cambian la precisión, la exhaustividad y el F1 según el umbral. Arrastra el control deslizante para ver el efecto de cada umbral: cuántos aciertos, cuántos falsos positivos y cuántos no detectados.
  3. Cómo elegir: si hay muchos falsos positivos, sube el umbral; si se escapan muchos objetos, bájalo.
  4. La tabla de abajo muestra el umbral recomendado por clase.
  5. El umbral recomendado se aplica automáticamente como umbral de confianza predeterminado en la prueba en vivo y en el paquete de servicio de inferencia de la página «Desplegar».

11.5 Evaluar con los datos actuales

Después de añadir datos o corregir anotaciones, no hace falta volver a entrenar: haz clic en Evaluar con los datos actuales para recalcular las métricas con los datos anotados actuales (conjuntos de validación / prueba). Los modelos externos importados también se evalúan así.

11.6 Prueba de falsos positivos

Usa un video que no debería generar alarmas (sin objetos, o solo con cosas que se confunden fácilmente, como un pasillo vacío o una fábrica de noche) para ver cuántas falsas alarmas da el modelo:

  1. En «Prueba de falsos positivos», haz clic en Elegir archivo de video o introduce una dirección rtsp:// / http(s)://.
  2. Configura: Detectar N fotogramas/s, Generar alarma tras N detecciones seguidas y Probar durante N minutos (para transmisiones de video).
  3. Haz clic en Iniciar prueba; puedes hacer clic en Terminar antes en cualquier momento.
  4. Resultado: cuánto duró la prueba, cuántas alarmas hubo y cuántas Por hora, con estadísticas por clase; debajo, los Fotogramas con falsos positivos (los cuadros rojos son lo que detectó el modelo; solo se conservan los 60 más recientes).
  5. Haz clic en Añadir estos fotogramas al conjunto de datos como muestras negativas: se añaden como imágenes «Sin objetos», y en el siguiente entrenamiento el modelo aprenderá a no dar alarmas en este tipo de escenas. Si alguna contiene un objeto real, ve a la página Anotar después de añadirla y anótalo.

11.7 Exportar el informe de entrega

  1. Haz clic en Exportar informe y elige dónde guardarlo (nombre por defecto «proyecto_entrenamiento_informe_modelo.html»).
  2. El informe es un archivo HTML con los datos, los parámetros de entrenamiento, las métricas, las curvas, la matriz de confusión, los errores, el umbral recomendado y los resultados de la prueba de falsos positivos. Se abre directamente en el navegador y puedes enviárselo al cliente para su aceptación.

12 Preanotación con modelo y selección de imágenes

12.1 Preanotar con tu propio modelo

  1. Ve a la página Anotar y, en «Asistencia de IA», a la derecha, elige Mis modelos; en el desplegable, elige un modelo entrenado (se muestra su nombre y su mAP50 / exactitud).
  2. Ajusta la Confianza.
  3. Una imagen: pulsa P o haz clic en Predecir esta imagen (P).
  4. Por lotes: haz clic en Preanotación por lotes para anotar un lote de imágenes sin anotar. El diálogo se cierra enseguida y la barra de progreso queda a la derecha, así que puedes seguir anotando mientras se ejecuta; para pararlo a mitad, haz clic en Detener junto a la barra de progreso; lo ya anotado se conserva.
  5. Los cuadros preanotados tienen línea discontinua; revísalos, corrígelos y pulsa Enter (Listo y siguiente): la imagen cuenta como anotada. En proyectos de clasificación aparecen las «Sugerencias del modelo»: haz clic en una de las 3 primeras clases para aplicarla.

Cuanto más anotas → más preciso es el modelo → menos trabajo te da la preanotación.

Ejemplo de preanotación con modelo
Ejemplo de preanotación: el modelo enmarca automáticamente los objetos y tú solo revisas y corriges los pocos errores. La imagen muestra el resultado de la detección de «vehículos mal aparcados».

12.2 Elegir las imágenes que más vale la pena anotar

Cuando ya tienes un primer modelo, en vez de anotar al azar, mejor empieza por las imágenes en las que el modelo tiene más dudas:

  1. En la página Datos, haz clic en Gestionar → Elegir las imágenes que más vale la pena anotar (con un modelo).
  2. Elige el modelo, indica Seleccionar N imágenes y haz clic en Empezar a seleccionar.
  3. Los resultados se ordenan de más a menos dudosos.
  4. Haz clic en Anotar en este orden: la página Anotar mostrará solo este lote (arriba aparece un filtro nuevo, «Selección del modelo»). Al terminar, haz clic en la × que hay al lado para volver a todas las imágenes.

13 Exportar el conjunto de datos (con anonimización)

13.1 Exportar

  1. En la página Datos, haz clic en Exportar conjunto de datos.
  2. Formato (según la tarea del proyecto):
    • Detección: YOLO, COCO, VOC;
    • Segmentación: YOLO-seg, COCO, VOC (solo el cuadro envolvente);
    • Puntos clave: YOLO-pose, puntos clave COCO, VOC (solo el cuadro del objeto);
    • Clasificación: carpetas por clase (train/clase/imagen.jpg).
  3. Alcance: las imágenes sin anotar y las omitidas no se exportan; las imágenes marcadas como «Sin objetos» se exportan como muestras negativas. En la colaboración en equipo también puedes marcar Exportar solo imágenes revisadas.
  4. Proporción de entrenamiento / validación / prueba (%): las imágenes aún sin dividir se reparten con estas proporciones. Si quieres volver a dividirlas todas, haz clic en Volver a dividir todo (los resultados de entrenamientos anteriores ya no serán directamente comparables con la nueva división).
  5. Exportar a: haz clic en Examinar para elegir la ubicación; el Nombre de carpeta se genera automáticamente y puedes cambiarlo (si lo cambias, no se sobrescribe al cambiar de formato).
  6. Haz clic en Exportar. Al terminar verás cuántas imágenes y anotaciones se exportaron y cuántas imágenes hay en cada división; haz clic en Abrir carpeta para verlas.

Para exportar una versión del conjunto de datos: en la lista de versiones, haz clic en Exportar esta versión; la división será la guardada en la versión.

13.2 Anonimizar

Al exportar el conjunto de datos, exportar una versión o repartir en paquetes, puedes marcar Anonimizar imágenes:

  1. Por clase: en el desplegable, elige las clases que quieres anonimizar, por ejemplo las «Cara» o «Matrícula» que hayas anotado. Las clases cuyo nombre contiene «cara» o «matrícula» se seleccionan por defecto.
  2. Detección automática: marca Detectar caras automáticamente y Detectar matrículas automáticamente; la aplicación las busca con un modelo de detección de vocabulario abierto (la primera vez descarga el modelo; con GPU es mucho más rápido).
  3. Método: Mosaico, Desenfoque o Tapar en negro.
  4. Al exportar, el progreso tendrá una fase más de «anonimización».

La anonimización solo modifica las copias exportadas; las imágenes originales del proyecto no se tocan. La detección automática puede pasar por alto objetivos muy pequeños, caras de perfil u objetivos lejanos; si los datos son importantes, revisa una muestra.

14 Desplegar

Haz clic en Desplegar, a la izquierda, y elige un modelo entrenado. La página tiene cuatro pestañas: Prueba en vivo, Exportar modelo, Paquete de servicio de inferencia y Retorno de datos de campo.

14.1 Prueba en vivo

Conecta una cámara o un video y mira cómo funciona el modelo en condiciones reales:

  1. Elige Transmisiones de video o Video local.
  2. Introduce la dirección de la transmisión: una cámara RTSP (por ejemplo, rtsp://admin:contraseña@192.168.1.64:554/Streaming/Channels/101) o una dirección HTTP-FLV, HLS (m3u8) o MP4 por http. También puedes hacer clic en Elegir archivo de video.
  3. Haz clic en Iniciar: los resultados se dibujan en tiempo real sobre la imagen (cajas para los modelos de detección, contornos para los de segmentación, puntos y esqueleto para los de puntos clave, y las clases más probables arriba a la izquierda para los de clasificación). Arriba se muestra la resolución y si la inferencia va por GPU o CPU.
  4. Arrastra el control deslizante de Confianza para ajustar el umbral. Por defecto usa el umbral recomendado de la página Evaluar; si lo cambias, haz clic en «Usar el recomendado (0.xx)» para volver a él.
  5. Cuando veas un fotograma con un objeto no detectado o un falso positivo, haz clic en Añadir captura al conjunto de datos: la imagen se añade como «Sin anotar»; anótala y vuelve a entrenar.
  6. Haz clic en Detener para terminar.

14.2 Exportar el modelo

  1. Elige el formato:
    • ONNX (tamaño dinámico): formato universal; onnxruntime lo ejecuta en Windows / Linux / ARM;
    • ONNX (tamaño fijo): entrada fija de [1,3,N,N], para motores de inferencia que necesitan una forma fija;
    • OpenVINO: aceleración para CPU Intel, gráficos integrados y PC industriales; se convierte y verifica directamente en la aplicación (la primera vez se instala OpenVINO automáticamente);
    • Paquete de conversión TensorRT: GPU NVIDIA y Jetson; hay que ejecutar un script en el dispositivo de destino para generar el motor;
    • Paquete de conversión RKNN: Rockchip RK3588 / 3568, etc.; hay que ejecutar un script en Ubuntu para convertirlo.
  2. Si necesitas un tamaño fijo, indícalo.
  3. Elige la ubicación en Exportar a y el Nombre de carpeta, y haz clic en Exportar. Para cada formato verás si se exportó correctamente o falló; haz clic en Abrir para verlo.

El Faster R-CNN integrado es un modelo de dos etapas con compatibilidad limitada en NPU (RKNN) y en versiones antiguas de TensorRT: la conversión puede fallar o quedar lenta. Si vas a usar este tipo de dispositivos, entrena mejor YOLOX u otro modelo de una etapa (RetinaNet, FCOS, SSDLite). ONNX y OpenVINO se pueden usar sin problema.

Al exportar modelos YOLOX: con ONNX (tamaño dinámico) y OpenVINO funciona igual que con los demás modelos: el escalado, la decodificación y la eliminación de cuadros duplicados (NMS) ya están dentro del modelo, que devuelve directamente los resultados. ONNX (tamaño fijo) y los paquetes de conversión TensorRT y RKNN usan el formato oficial de YOLOX (entrada BGR 0~255, relleno con 114 desde la esquina superior izquierda, salida sin NMS). Todos los operadores son convoluciones normales, así que se ejecutan por completo en NPU y TensorRT; el posprocesado está explicado en el README del paquete de conversión.

Los modelos de segmentación y de puntos clave (Mask R-CNN, Keypoint R-CNN) también se pueden exportar a ONNX, OpenVINO y otros formatos: los de segmentación tienen una salida extra, masks (probabilidad de máscara de cada objeto; lo que supera 0.5 es objeto), y los de puntos clave tienen keypoints (x, y y visibilidad de cada punto) y keypoints_scores. La prueba en vivo y el paquete de servicio de inferencia admiten modelos de detección, segmentación, puntos clave y clasificación.

14.3 Paquete de servicio de inferencia

Genera un servicio de inferencia listo para ejecutarse en un equipo del lugar de instalación. Admite modelos de detección, segmentación, puntos clave y clasificación:

  1. Transmisiones de video: rellena el nombre y la dirección (rtsp://…, una dirección http(s)://… FLV / m3u8 / MP4 o la ruta de un archivo de video); haz clic en Añadir transmisión para añadir más.
  2. Intervalo de detección (s): cada cuánto se detecta un fotograma de cada transmisión.
  3. Reglas de alarma:
    • Clases que generan alarma (si no eliges ninguna, todas generan alarma);
    • Umbral de confianza (por defecto, el umbral recomendado de la página Evaluar);
    • Intervalo para descartar repetidas (s): para una misma transmisión y una misma clase, solo se genera una alarma en ese intervalo;
    • Horario activo: todo el día, o por ejemplo 07:00-19:00;
    • Guardar capturas de alarma (con cuadros).
  4. Envío de alarmas:
    • Webhook: al producirse una alarma, envía un POST con JSON a esta dirección; opcionalmente, Incluir captura (base64);
    • MQTT: dirección del servidor, tema, usuario y contraseña (si lo dejas vacío, no se envía).
  5. Servicio: Puerto de la API HTTP; Inferencia con GPU (el equipo de destino necesita onnxruntime-gpu; si no, se usa la CPU automáticamente).
  6. Retorno de datos de campo: los fotogramas en los que el modelo tiene dudas (confianza dentro del rango configurado) se guardan en la carpeta reflux/ del paquete de servicio.
  7. Elige la ubicación en Generar en y haz clic en Generar paquete de servicio de inferencia.
  8. Copia la carpeta entera al equipo de destino: en Windows, haz doble clic en run.bat; en Linux, ejecuta sh run.sh. La configuración está en config.json y las instrucciones en README.md. El equipo de destino no necesita PyTorch ni GPU; solo depende de onnxruntime, OpenCV y numpy.

14.4 Retorno de datos de campo

  1. Mientras el paquete de servicio se ejecuta en el lugar de instalación, guarda en la carpeta reflux/ los fotogramas en los que el modelo tiene dudas.
  2. Trae de vez en cuando la carpeta reflux/ y, en la pestaña Retorno de datos de campo, haz clic en Importar imágenes de campo y elige esa carpeta.
  3. Haz clic en Ir a anotar, filtra «Sin anotar», preanota con el modelo y corrige.
  4. Vuelve a entrenar, genera un nuevo paquete de servicio y sustituye el model.onnx del lugar de instalación. El modelo será más preciso cuanto más lo uses.

14.5 Subir a la plataforma Xuntong AI

Si no quieres desplegar el servicio tú mismo, puedes subir el modelo a la plataforma Xuntong AI y conectar allí las cámaras y configurar las alarmas (por ahora admite modelos de detección de objetos):

  1. Primero configura Xuntong AI en Ajustes (ver 2.3).
  2. En Desplegar → Exportar modelo, al final, en «Subir a la plataforma Xuntong AI», cambia el Nombre del modelo si quieres y haz clic en Subir. Si aún no lo has exportado a ONNX, se exporta automáticamente primero.
  3. Después de subirlo, la plataforma tarda de unos segundos a un minuto en verificarlo; verás que la plataforma lo está verificando y, cuando termine, «Verificado» (si falla, se indica el motivo). El umbral recomendado calculado en la página Evaluar se sube junto con el modelo como umbral predeterminado en la plataforma.
  4. Haz clic en Abrir consola, ve a «Modelos personalizados» y haz clic en Activar; ya podrás conectar cámaras y configurar alarmas.
  5. Debajo, «Modelos personalizados en la plataforma» muestra los modelos subidos, su estado de verificación y si están activados. Las cuentas sin el servicio de alojamiento solo pueden tener 1 modelo; para subir una versión nueva, primero Elimina la antigua.
  6. Las imágenes de alarmas que genere la plataforma se pueden traer de vuelta para anotarlas (ver 4.7).

15 Enviar comentarios

  1. Haz clic en Comentarios, arriba a la derecha.
  2. Describe el problema o tu sugerencia.
  3. (Opcional) Correo electrónico: cuando se resuelva el problema, el autor te escribirá para contarte el resultado. La aplicación lo recuerda después de la primera vez, así que no tendrás que volver a escribirlo.
  4. Por defecto está marcado Adjuntar una captura de la pantalla actual; puedes ver la vista previa. Si no quieres incluirla, desmárcalo.
  5. Por defecto está marcado Adjuntar registros de ejecución (desde v0.4.2): el entorno de entrenamiento y los registros y errores de los dos últimos entrenamientos del proyecto actual. Haz clic en «Ver contenido» para ver exactamente qué se envía; el nombre de usuario de las rutas se sustituye por ~. Si no quieres incluirlos, desmárcalo.
  6. Haz clic en Enviar. La descripción, la captura, los registros, la versión de la aplicación y el sistema operativo se envían al desarrollador; no se suben las imágenes ni las anotaciones de tus proyectos.

También puedes abrir un Issue en el repositorio de código abierto de GitHub.

16 Guía de Xuntong AI

Xuntong AI (xuntongai.com) es una plataforma de reconocimiento con IA: tiene modelos de reconocimiento dedicados listos para usar (clasificación de residuos, cascos, humo y fuego, etc.) y reconocimiento con LLM, y además puede alojar tus propios modelos, conectar cámaras y enviar alarmas. Con Wulabel conectado a ella, anotación, entrenamiento, puesta en producción y retorno de datos de campo forman un ciclo cerrado. Los capítulos anteriores explican cada uso por separado; este capítulo lo reúne todo.

Dónde se usa Xuntong AI en Wulabel:

DóndeQué haceVer
Ajustes → Xuntong AIIniciar sesión y ver la cuota16.1, 16.2
Página Anotar → Asistencia de IA → Xuntong AIAnotar automáticamente con modelos dedicados / LLM / por clases del proyecto16.3–16.5
Página Anotar → Asistencia de IA → Reglas de reconocimientoEscribir notas de reconocimiento, chatear con la IA sobre cómo reconocer, sincronizar con la plataforma16.5
Desplegar → Exportar modelo → Subir a la plataforma Xuntong AIUsar en la plataforma el modelo que has entrenado16.6
Datos → Más opciones de importación → Obtener imágenes de alarmas de Xuntong AITraer los falsos positivos y los objetos no detectados del lugar de instalación para volver a anotarlos16.7
Colaborar → En línea · Retransmisión oficial de XuntongQue los miembros conectados por Internet se unan a anotar16.8

16.1 Iniciar sesión

  1. Abre Ajustes y, en la sección «Xuntong AI», haz clic en Iniciar sesión en Xuntong AI.
  2. Se abrirá la web de Xuntong AI en el navegador:
    • si no has iniciado sesión, hazlo primero (como siempre en Xuntong; sirven el código de verificación o el SMS);
    • comprueba que el código de confirmación de la web coincide con el de la ventana de Wulabel y haz clic en Permitir.
  3. Vuelve a Wulabel. En unos segundos aparecerá Sesión iniciada como, con el nombre de la cuenta, el plan, la cuota restante y los métodos de reconocimiento disponibles.

Notas:

16.2 Cuota y costes

16.3 Cómo elegir entre los cuatro métodos de reconocimiento

En la página Anotar, en «Asistencia de IA», a la derecha, elige Xuntong AI. El desplegable «Seleccionar un modelo de reconocimiento» ofrece:

Método de reconocimientoParaVelocidadCuota
Modelos dedicados (como clasificación de residuos o cascos)Las clases del proyecto coinciden con un modelo ya disponible en la plataformaLa más rápida: por lotes, 8 imágenes por lote y dos lotes a la vezReconocimiento con modelos dedicados
Modelos propios que has subido y activadoModelos que entrenaste tú y subiste a la plataformaIgual que arribaReconocimiento con modelos propios
Reconocer por clases del proyecto (recomendado)La plataforma no tiene un modelo adecuado; solo quieres buscar las clases de tu proyectoImagen a imagen, más lentoReconocimiento con LLM
Reconocimiento general con LLMBuscar por grandes categorías de riesgos de seguridad (incendios, electricidad, higiene ambiental, etc.)Imagen a imagenReconocimiento con LLM

Es fácil elegir: si hay un modelo dedicado adecuado, úsalo (es rápido y preciso); si no, usa Reconocer por clases del proyecto y escribe con claridad las notas de reconocimiento de cada clase (16.5).

16.4 Anotar automáticamente por lotes con un modelo dedicado

Por ejemplo, con la clasificación de residuos:

  1. Crea un proyecto de detección e importa las imágenes. No hace falta crear las clases antes: si el proyecto no tiene una clase que detecta el modelo (por ejemplo, «reciclable»), se crea automáticamente.
  2. Abre la página Anotar y, en «Asistencia de IA», a la derecha, elige Xuntong AI y el modelo Clasificación de residuos.
  3. Ajusta la Confianza: empieza con el valor predeterminado; si salen demasiados cuadros, súbela; si se escapan muchos objetos, bájala.
  4. Pulsa primero P para anotar la imagen actual y ver el resultado; cuando te convenza, haz clic en Preanotación por lotes. Se reconocen por lotes todas las imágenes «Sin anotar» que aún no tienen anotaciones, y la barra de progreso muestra el avance.
  5. Los cuadros detectados tienen línea discontinua (origen «Xuntong»). Revísalos uno a uno: elimina los incorrectos, recoloca los desviados, añade los que falten y pulsa Enter (Listo y siguiente).
  6. Para ir aún más rápido: cuando tengas unos cientos de imágenes anotadas, entrena tu propio modelo con ellas (capítulo 10) y a partir de entonces preanota en tu equipo, sin gastar cuota.

Si durante un lote aparece un error de demasiadas solicitudes, se ralentiza y reintenta automáticamente, sin cobrar la cuota dos veces. Con errores como cuota agotada o modelo no contratado, se detiene y te dice cuántas imágenes se anotaron.

16.5 Reconocer por clases del proyecto y reglas de reconocimiento

Cuando la plataforma no tiene un modelo adecuado, usa «Reconocer por clases del proyecto»: la plataforma solo busca las clases de tu proyecto, con sus nombres tal cual, y no informa de nada que no esté en la lista. Que funcione bien depende sobre todo de que expliques las reglas con claridad.

Escribir las notas de reconocimiento:

  1. Con el botón de editar junto a la clase, rellena las notas de reconocimiento: qué significa exactamente esta clase y qué cuenta o no cuenta. Por ejemplo:
    • Sin casco: persona sin casco en la cabeza; también cuenta si lleva casco pero sin abrochar la correa; enmarca solo la cabeza y la parte superior del cuerpo.
    • Bicicleta eléctrica: bicicletas y patinetes eléctricos de dos ruedas; las bicicletas normales y las motos no cuentan.
  2. O bien, junto al título «Asistencia de IA», haz clic en Reglas de reconocimiento y, en Reglas actuales, edita en un solo sitio las Reglas generales (se aplican a todas las clases, por ejemplo «mira solo el pasillo de la mitad inferior de la imagen; ignora lo que aparezca en carteles y pantallas») y las notas de cada clase, y haz clic en Guardar reglas.

Chatear con la IA: si no sabes cómo escribir las reglas, explícalo con palabras sencillas en Reglas de reconocimiento → Chatear con la IA:

Por defecto se adjunta la imagen actual, y después de responder, la IA prueba a reconocerla con las nuevas reglas. Cuando la IA sugiere cambiar las reglas, muestra su contenido; solo se guardan si haces clic en Aplicar estas reglas. Si la prueba de reconocimiento da resultados, haz clic en Añadir los cuadros de la prueba de reconocimiento a esta imagen para usarlos directamente.

Sincronizar con la plataforma Xuntong (opcional): al final de «Reglas actuales», haz clic en Sincronizar con la plataforma Xuntong y las reglas se guardan en la plataforma. Por defecto quedan desactivadas, así que no afectan al reconocimiento actual de la plataforma.

Si quieres que el reconocimiento propio de la plataforma Xuntong (capturas, envío de alarmas) también informe solo de las clases de tu proyecto, activa Usar también estas reglas en el reconocimiento de la plataforma. Atención: al activarlo, todo el reconocimiento de la cuenta de Xuntong sigue estas reglas; las escenas a las que se aplica se ajustan en la página «Reglas de reconocimiento» de la consola de Xuntong.

Una vez vinculado, cada vez que guardes o apliques reglas el contenido se sincroniza automáticamente, pero no cambia la activación ni las escenas que configuraste en la consola. Si ya no quieres sincronizar, haz clic en Desvincular; las reglas de la plataforma no se eliminan.

Límites: como máximo 30 clases, con nombres de 30 caracteres como máximo; las reglas generales, 1000 caracteres como máximo, y las notas de reconocimiento de cada clase, 500 caracteres como máximo; cada cuenta de Xuntong puede tener como máximo 20 conjuntos de reglas.

16.6 Subir tu modelo entrenado a Xuntong

  1. Entrena en Wulabel un modelo de Detección de objetos (por ahora Xuntong solo acepta modelos de detección).
  2. Ve a Desplegar → Exportar modelo y, al final, en «Subir a la plataforma Xuntong AI», cambia el nombre del modelo si quieres y haz clic en Subir. Si aún no lo has exportado a ONNX, se exporta automáticamente primero; el umbral recomendado de la página Evaluar se sube junto con el modelo.
  3. La plataforma lo verifica en un plazo de unos segundos a un minuto: verás «Verificando» → «Verificado» (o «Verificación fallida» y el motivo).
  4. Haz clic en Abrir consola, ve a «Modelos personalizados» y haz clic en Activar. Una vez activado, podrás conectar cámaras y configurar alarmas en la plataforma, y también aparecerá en la lista de modelos de la página Anotar.
  5. Debajo, «Modelos personalizados en la plataforma» muestra los modelos subidos, su estado de verificación y si están activados. Las cuentas sin el servicio de alojamiento solo pueden tener 1 modelo; antes de subir una versión nueva, Elimina la antigua. El archivo del modelo puede ocupar como máximo 200 MB.

16.7 Traer las imágenes de alarmas del lugar de instalación y mejorar continuamente

Cuando el modelo está en producción, las capturas de alarmas del lugar de instalación incluyen falsos positivos y objetos no detectados: justo los datos que más vale la pena añadir.

  1. Datos → Más opciones de importación → Obtener imágenes de alarmas de Xuntong AI.
  2. Elige el rango de tiempo (últimos 1 / 3 / 7 días), de qué modelo son las alarmas y el máximo de imágenes. Por defecto está marcado Usar los cuadros detectados por la plataforma como preanotaciones.
  3. Las imágenes obtenidas están en la carpeta images/xuntong_<hora>/ del proyecto, con cuadros de línea discontinua (origen «Xuntong»).
  4. Corrígelas una a una: elimina los cuadros de falsos positivos (en las imágenes en las que en realidad no hay ningún objeto, basta con pulsar Enter (Listo) para conservarlas como muestras negativas) y añade lo que falte.
  5. Vuelve a entrenar, evalúa y sube la nueva versión para sustituir el modelo antiguo de la plataforma.

Atención: la plataforma guarda las imágenes de alarmas 7 días, así que obtenlas con regularidad; solo las cuentas con un canal de envío configurado generan registros de alarmas.

Este es el ciclo cerrado: anotar → entrenar → subir a Xuntong → alarmas en el lugar de instalación → traer y corregir → volver a entrenar. El modelo será más preciso cuanto más lo uses.

16.8 Xuntong AI en la colaboración

16.9 Preguntas frecuentes

Atajos de teclado

Generales (página Anotar)

TeclaFunción
1–9Cambiar de clase (proyectos de clasificación: elegir la clase directamente)
A / D o ← / →Imagen anterior / siguiente
EnterListo y siguiente (las imágenes sin objetos se registran como muestras negativas); en la colaboración en equipo, aprobar y pasar a la siguiente
XOmitir (no se usa en el entrenamiento)
Shift+D o Shift+→Siguiente imagen sin anotar
Ctrl+Z / Ctrl+YDeshacer / rehacer
?Abrir el panel de atajos
Ctrl+DCopiar las anotaciones de la imagen anterior (clasificación: reutilizar la clase de la imagen anterior)
PPredecir / anotar esta imagen con la asistencia de IA
FAjustar a la ventana
RuedaZoom
Espacio + arrastrar / arrastrar con botón derechoMover la imagen

Detección, segmentación, puntos clave

TeclaFunción
RDibujar cuadro / contorno / cuadro del objeto
VSeleccionar y ajustar
SSelección inteligente de SAM
Del / RetrocesoEliminar el objeto seleccionado
HOcultar / mostrar los nombres de clase
EscDeseleccionar

Al dibujar polígonos: clic para añadir un punto, doble clic o Enter para cerrar, Retroceso para quitar el último punto.

Al colocar puntos clave: clic = visible, Shift+clic = oculto, N para omitir, Retroceso para volver al punto anterior, Esc o Enter para terminar.

Con la selección de SAM: clic para seleccionar, Shift+clic para excluir, Retroceso para quitar el último punto, Enter para aplicar, Esc para descartar.

Proyectos de clasificación: Del para borrar la clase.


准备好了?下载 Wulabel,开始标你的第一张图。