مقارنة أدوات التعليق على الفيديو: CVAT وLabel Studio وELAN وBORIS وPotato

التعليق على الفيديو عادةً واحد من عملين. تتبّع الأجسام يرسم شكلًا حول شيء ما ويتبعه عبر الإطارات، وCVAT هو الأداة المفتوحة المصدر المرجعية لذلك. والتوصيف الزمني يحدّد متى يحدث شيء ما، وELAN وBORIS هما المعيار في اللسانيات وأبحاث السلوك. يقوم Potato بالعملين في المتصفح للدراسات متعددة الموصِّفين، ويُبلغ عن مدى اتفاقهم على متى تبدأ الأحداث ومتى تنتهي.

تتبّع الأجسام يتبع جسمًا على طول الفيديو، عادةً برسمه على إطارات مفتاحية واستيفاء الإطارات التي بينها. والمقطع الزمني بداية ونهاية وتسمية، مثل فعل أو دور متحدث. ويستخدم نشر الأقنعة نموذجًا لنقل قناع التقسيم من إطار إلى الذي يليه.

تتناول هذه الصفحة الفيديو. أما المقارنة التي تجمع كل أنواع البيانات في صفحة واحدة ففي مقارنة أدوات التعليق بالذكاء الاصطناعي.

أي أدوات التعليق على الفيديو تستحق المقارنة؟

تتبّع الأجسام عبر الإطارات

يربط وضع المسار في CVAT الأشكال على إطارات مختلفة بوصفها جسمًا واحدًا. يضبط الموصِّف الشكل على بعض الإطارات المفتاحية، ويستوفي CVAT الإطارات التي بينها خطيًا، للمستطيلات والمضلعات والنقاط. ويضيف وسم VideoRectangle في Label Studio تتبّع الأجسام إلى الفيديو، للصناديق. وتتتبّع V7 وSupervisely وSegments.ai مع الاستيفاء وتنشر الأقنعة بنموذج.

لمخطط video_annotation في Potato وضع تتبّع يستوفي الصناديق والمضلعات بين الإطارات المفتاحية. ويعمل نشر الأقنعة باستخدام SAM 2 على الخادم. وللمتصفح مسار أخف ينقل القناع إلى الأمام. راجع كيف تُوصِّف تتبّع الأجسام في الفيديو.

تحديد متى تحدث الأشياء

يوسم وسم TimelineLabels في Label Studio إطارًا واحدًا بنقرة أو نطاقًا من الإطارات بالسحب. ويربط ELAN التوصيفات بالخط الزمني على أي عدد من الطبقات يحتاجه المخطط، مع مفردات مضبوطة وما يصل إلى أربعة فيديوهات متزامنة. ويسجّل BORIS الأحداث السلوكية ويرمّزها من الفيديو أو الصوت أو الملاحظة المباشرة. ويسجّل Prodigy المناطق بحسب الطوابع الزمنية للفيديو، ويوصّف VIA 3 الفيديو إلى جانب الصور والصوت.

في Potato تُوسَم المقاطع الزمنية على خط زمني. ومنذ الإصدار 2.9، يضع segment_schemes أي نوع من التوصيف داخل مقطع، فيمكن لكل مقطع أن يحمل تقييمه أو سؤاله النصي الحر. راجع التعليق على الفيديو.

الاتفاق على توصيفات الفيديو

لا يختار موصِّفان يحدّدان بداية حدث الإطار نفسه، لذلك يتوقف الاتفاق الزمني على المسافة المسموح بها بين علامتين كي تُحسبا علامة واحدة.

• ELAN فيه حساب مدمج لموثوقية الاتفاق بين الموصِّفين: κ كوهين المعدَّل الذي يربط التوصيفات المتداخلة بحدٍّ أدنى محدّد، وخوارزمية Staccato التي تراعي الصدفة بمقارنة تقسيمٍ ما بتقسيمات مولَّدة عشوائيًا.
• Potato يُبلغ عن IoU الزمني للتداخل، وعن α لمواضع الحدود، وα على التسميات، وα على ما إذا كان حدثٌ قد حُدِّد أصلًا، ويعرض سماح المطابقة مسحًا عبر قيم متعددة. ويذكر توثيقه قيدًا واحدًا: ليس لتداخل المقاطع بعدُ خط أساس للصدفة. راجع الاتفاق عبر الزمن.
• يقارن محرك الإجماع في CVAT بين الموصِّفين بـ IoU خام مقابل عتبة لكل فئة.

وللمسارات والأقنعة، يقارن Potato الأقنعة إطارًا بإطار عبر إجماع الأقنعة وSTAPLE، والصناديق عبر الاتفاق الهندسي الموصوف في كيف تقيس الاتفاق بين الموصِّفين على الصناديق المحيطة.

الصيغ

يصدّر Potato بصيغة MOT للمسارات، وDAVIS لأقنعة تقسيم الأجسام في الفيديو، وEAF للتوصيفات المُحاذاة زمنيًا التي يفتحها ELAN. راجع صيغ الرؤية الحاسوبية.

مهمة تتبّع في Potato

annotation_schemes:
  - annotation_type: video_annotation
    name: tracks
    description: "Draw the object once, then press Track forward."
    source_field: video_url
    mode: tracking
    labels:
      - {name: subject, color: "#d1495b"}
    tracking_options:
      interpolation: linear
      auto_advance_frames: 5
    video_fps: 12
    frame_stepping: true

يتيح frame_stepping للموصِّفين التقدّم إطارًا بإطار، ويحدّد auto_advance_frames مقدار قفزة Track forward.

ما لا يفعله Potato مع الفيديو

• لا سمات لكل جسم بعد. يحمل المسار تسمية واحدة. وتحتاج علامات الحجب والاقتطاع مخططًا مرافقًا.
• لا نشر للأقنعة في المتصفح. يعمل النشر باستخدام SAM 2 على الخادم.
• لا قوى عاملة مُدارة. أحضر موصِّفيك، أو جنّدهم عبر Prolific.

جرى التحقق من توثيق كل مشروع في أغسطس وسبتمبر 2026.

الأسئلة الشائعة

ما أفضل أداة مجانية للتعليق على الفيديو؟

لتتبّع الأجسام بأحجام كبيرة، CVAT مجانية وناضجة وتُستضاف ذاتيًا. ولترميز السلوك أو الكلام عبر الزمن، ELAN وBORIS أداتا سطح مكتب مجانيتان. ولدراسة يوسم فيها عدة موصِّفين الفيديوهات نفسها في المتصفح ويجب الإبلاغ فيها عن الاتفاق، يوفّر Potato ذلك مجانًا.

أي أدوات التعليق على الفيديو تستوفي بين الإطارات المفتاحية؟

يستوفي وضع المسار في CVAT المستطيلات والمضلعات والنقاط خطيًا بين الإطارات المفتاحية. ويستوفي وضع التتبّع في Potato الصناديق والمضلعات. وتستوفي V7 وSupervisely وتنشران الأقنعة أيضًا بنموذج. ويتتبّع VideoRectangle في Label Studio الصناديق.

ماذا أستخدم لترميز السلوك في الفيديو؟

BORIS وELAN هما الأداتان المجانيتان الراسختان، ويستطيع ELAN حساب موثوقية الاتفاق بين أزواج الطبقات. أما لمخطط ترميز يطبّقه عدة مرمِّزين في المتصفح مع الإبلاغ عن الاتفاق بينهم جميعًا، فتناسب المقاطع الزمنية في Potato.

كيف يُقاس الاتفاق على توصيفات الفيديو؟

للأحداث، طابق مقاطع كل موصِّف ضمن سماح معيّن، وأبلغ عن التداخل والاتفاق على الحدود والاتفاق على التسميات، ويُفضَّل عبر عدة قيم للسماح، لأن الاتفاق عند ربع ثانية وعند ثانيتين ادعاءان مختلفان. وللمسارات، قارن الأشكال إطارًا بإطار، بـ IoU للصناديق والأقنعة.

أين يعمل نشر أقنعة الفيديو في Potato؟

على الخادم، باستخدام SAM 2. وللمتصفح مسار أخف ينسخ القناع إلى الإطار التالي دون النموذج.

قراءات إضافية

• مقارنة أدوات التعليق بالذكاء الاصطناعي، لكل أنواع البيانات في صفحة واحدة
• مقارنة أدوات التعليق على النصوص
• مقارنة أدوات التعليق على الصوت
• مقارنة أدوات التعليق على الصور
• مقارنة أدوات تقييم وكلاء الذكاء الاصطناعي
• مقارنة أدوات تقييم نماذج العالم وحلقات الروبوتات
• كيف تُوصِّف تتبّع الأجسام في الفيديو