Skip to content

Integrationen

Verbinden Sie Potato mit KI-Modellen, Crowdsourcing-Plattformen und exportieren Sie in Ihre bevorzugten ML-Frameworks.

🤖

KI & LLM-Integration

Annotation mit KI-Unterstützung beschleunigen

🤖

OpenAI

GPT-4, GPT-3.5 for intelligent hints, auto-suggestions, and keyword highlighting.

Dokumentation ansehen →
🧠

Anthropic Claude

Claude 3 models for nuanced annotation assistance and quality checking.

Dokumentation ansehen →
✨

Google Gemini

Gemini Pro for multimodal annotation support across text and images.

Dokumentation ansehen →
🏠

Local LLMs (Ollama)

Run AI-assisted annotation with local LLMs using Ollama. Keep your data completely private.

Dokumentation ansehen →
🤗

HuggingFace

Access open-source models via HuggingFace Inference API for flexible AI assistance.

Dokumentation ansehen →
🔀

OpenRouter

Access multiple AI providers through a single API with OpenRouter integration.

Dokumentation ansehen →
⚡

vLLM

Self-hosted high-performance inference with vLLM for maximum control and speed.

Dokumentation ansehen →

KI-gestützte Funktionen

  • Intelligente Label-Vorschläge
  • Automatische Schlüsselwort-Hervorhebung
  • Qualitätsprüfungsunterstützung
  • Vorannotation zur Überprüfung
  • Erklärungsgenerierung
  • Konsistenzprüfung
👥

Arbeitskräfte-Optionen

Ihr eigenes Team nutzen oder mit Crowdsourcing skalieren

🏢

Ihr eigenes Team

Empfohlen für sensible Daten

Betreiben Sie Potato lokal oder auf Ihren eigenen Servern mit Ihren hauseigenen Annotatoren. Ideal für sensible Daten, die nicht extern geteilt werden können, IRB-genehmigte Studien oder wenn Sie bereits ein ausgebildetes Annotationsteam haben.

Vorteile

Daten verlassen niemals Ihre ServerKeine Kosten pro AnnotatorVolle ZugriffskontrolleFunktioniert offline
Leitfaden zur lokalen Bereitstellung ansehen →

Oder mit Crowdsourcing-Plattformen skalieren

👥

Prolific

Academic-friendly crowdsourcing with quality participants. Full integration with completion URLs and participant tracking.

Funktionen

Completion URL handlingParticipant ID trackingAttention checksQuality filters
Dokumentation ansehen →
☁️

Amazon MTurk

Scale to thousands of annotators with Mechanical Turk integration. Supports qualifications and approval workflows.

Funktionen

HIT managementQualification testsApproval workflowsBonus payments
Dokumentation ansehen →
📁

Unterstützte Datenformate

Daten in beliebigen gängigen Formaten importieren

📄

Text

.txt, .json, .jsonl

🖼️

Images

.jpg, .png, .gif, .webp

🎵

Audio

.mp3, .wav, .ogg, .m4a

🎬

Video

.mp4, .webm, .mov

📑

Documents

.pdf, .html

📤

Exportformate

Annotationen in gängige ML-Formate exportieren

General

  • JSON

    Native Potato format with full annotation data

  • JSONL

    Line-delimited JSON for streaming and large datasets

  • CSV

    Tabular export for spreadsheet analysis

NLP

  • CoNLL

    Standard format for NER and sequence labeling

  • Hugging Face

    Direct export to HF Datasets format

  • spaCy

    Training data format for spaCy models

Computer Vision

  • COCO

    MS COCO format for object detection

  • YOLO

    YOLO format for real-time detection

  • Pascal VOC

    XML format for image classification

⚡

Python API & CLI

Programmatischer Zugriff für Automatisierung

Befehlszeile

# Start annotation server
potato start config.yaml

# Export annotations
potato export --format coco

# Validate configuration
potato validate config.yaml

Python API

from potato import Potato

# Load project
project = Potato("config.yaml")

# Get annotations
annotations = project.get_annotations()

# Export to DataFrame
df = project.to_dataframe()
Datenformate ansehen

Bereit loszulegen?

Installieren Sie Potato und beginnen Sie in Minuten mit der Integration in Ihre bevorzugten Tools.

SchnellstartanleitungDokumentation durchsuchen