Exportar anotaciones para aprendizaje automático
Cómo exportar anotaciones de Potato a formatos listos para ML, JSON/JSONL, CoNLL, Hugging Face Datasets, spaCy, COCO y YOLO, y para qué sirve cada uno.
El objetivo de anotar suele ser entrenar o evaluar un modelo, así que el formato de exportación importa. Potato escribe JSON/JSONL/CSV sin más, y también formatos nativos de ML que los pipelines de entrenamiento leen directamente, sin código de pegamento. Elegir el formato de destino antes de etiquetar te indica cómo estructurar los datos y los ID.
Para la referencia, consulta Formatos de exportación.
Elige el formato según la tarea
| Formato | Úsalo para |
|---|---|
| JSON / JSONL | Uso general; un registro por elemento. El valor por defecto seguro. |
| CSV | Hojas de cálculo y análisis rápido de etiquetas de clasificación. |
| CoNLL | Etiquetado de secuencias a nivel de token (NER, chunking) con etiquetas BIO. |
| Hugging Face Datasets | Cargar directamente en el entrenamiento con transformers. |
| spaCy | Entrenar modelos de NER y de clasificación de texto de spaCy. |
| COCO / YOLO | Detección de objetos y segmentación a partir de la anotación de imágenes. |
| Parquet | Almacenamiento columnar a gran escala y analítica. Consulta Exportación a Parquet. |
Definir el formato de salida
output_annotation_dir: "annotation_output/"
output_annotation_format: "jsonl" # json, csv, conll, ...Qué acaba en la exportación
Un registro típico lleva el ID del elemento, el contenido original, las etiquetas de cada anotador y los metadatos (quién, cuándo). Conservar las etiquetas de todos los anotadores, en lugar de solo un agregado, te permite calcular la concordancia y reagregar más tarde con otro método.
Planifica la exportación antes de etiquetar
El formato de exportación condiciona el diseño de tu entrada. Las exportaciones de etiquetado de secuencias necesitan una tokenización coherente; COCO/YOLO necesitan las dimensiones de la imagen; Hugging Face necesita un conjunto de etiquetas estable. Decide el destino primero para no tener que repetir el estudio. Consulta Diseñar formatos de datos para la anotación.