Skip to content

Diseñar formatos de datos para la anotación

Cómo estructurar los datos de entrada (JSON, JSONL, CSV) en un proyecto de anotación, qué campos espera Potato y cómo planificar una exportación limpia hacia tus pipelines de entrenamiento.

Una buena anotación empieza con una entrada bien estructurada. Cada elemento necesita un identificador único estable y el contenido que se va a etiquetar; todo lo demás es contexto opcional. Acertar con esto al principio te ahorra repeticiones dolorosas más adelante, porque las anotaciones se vinculan a los ID de tus elementos.

Los formatos de intercambio habituales son JSON, JSON Lines (un objeto por línea, ideal para grandes conjuntos de datos) y CSV. Potato lee los tres. Para la referencia completa, consulta Formatos de datos.

Lo mínimo que necesita cada elemento

  • Un ID único que nunca cambie. Las anotaciones se guardan contra este ID, así que si renumeras los elementos a mitad del proyecto pierdes el vínculo con las etiquetas existentes.
  • El contenido que se va a anotar: un campo de texto, una URL de imagen, una ruta de audio o una traza estructurada.

Un archivo JSONL para una tarea de texto tiene este aspecto:

json
{"id": "rev_001", "text": "The battery lasts all day. Highly recommend."}
{"id": "rev_002", "text": "Stopped working after a week."}

Le indicas a Potato qué claves usar:

yaml
item_properties:
  id_key: id
  text_key: text
 
data_files:
  - "data/reviews.jsonl"

Lleva contexto, pero mantenlo separado de las etiquetas

Campos adicionales, una URL de origen, una marca de tiempo, el nombre de un modelo, pueden acompañar a cada elemento y mostrarse a los anotadores sin convertirse en etiquetas. Dales nombres claros para que la exportación sea fácil de leer después.

Planifica la exportación antes de etiquetar

Decide pronto cómo alimentarán tu pipeline los datos etiquetados. Potato exporta a JSON, JSONL y CSV, y a formatos nativos de ML como CoNLL para etiquetado de secuencias, Hugging Face Datasets, spaCy y COCO/YOLO para visión. Elegir el formato de destino desde el principio te indica qué campos y qué esquema de ID usar ahora. Consulta Exportar anotaciones para ML.

yaml
output_annotation_dir: "annotation_output/"
output_annotation_format: "jsonl"

Lecturas adicionales