Herramientas de anotación de imágenes comparadas: CVAT, Label Studio, Roboflow, V7 y Potato

Compara CVAT, Label Studio, Roboflow, V7, Supervisely, X-AnyLabeling y Potato para cajas, máscaras, keypoints, imágenes gigapíxel y 3D, y para comprobar a los anotadores con acuerdo e ítems de referencia.

Para el etiquetado de visión por computador a gran escala, CVAT es la herramienta de código abierto de referencia, y Roboflow, V7 y Supervisely añaden entrenamiento de modelos o flujos de trabajo gestionados como productos comerciales. Potato encaja con etiquetas de imagen que son datos de investigación: varios anotadores etiquetan las mismas imágenes y el estudio tiene que informar de cuánto coinciden. Potato informa de ese acuerdo corregido por azar sobre cajas, polígonos y máscaras, algo que no hemos encontrado en ninguna otra plataforma de anotación, y señala las preetiquetas aceptadas sin revisar. También encaja cuando las imágenes comparten estudio con texto, audio o salidas de modelos.

Una caja delimitadora es el rectángulo que rodea un objeto. La segmentación de imágenes asigna píxeles a objetos, como polígonos o como máscaras. Los puntos clave marcan referencias como las articulaciones, y un esqueleto los une. La intersección sobre unión (IoU) mide cuánto se solapan dos formas, y la mayoría de las herramientas la usan para comparar anotadores.

Esta página trata las imágenes, las láminas gigapíxel y las nubes de puntos 3D. Herramientas de anotación con IA, comparadas cubre todos los tipos de datos en una sola página.

¿Qué herramientas de anotación de imágenes vale la pena comparar?

Herramienta	Funciona como	Coste	Adecuada para
Potato	Autoalojada (GPL-3.0)	Gratis	Estudios con varios anotadores que informan del acuerdo
CVAT	Autoalojada (MIT) o alojada	Gratis; alojada, 33 $ por usuario al mes	Cajas, máscaras y seguimiento en vídeo a gran volumen
Label Studio	Autoalojada o alojada	Community Edition gratuita; planes de pago desde 99 $ al mes	Imágenes en proyectos que también etiquetan texto, audio o vídeo
Roboflow	Alojada	Comercial	Pasar de las etiquetas a un detector entrenado y desplegado
V7	Alojada	Comercial	Flujos gestionados, formatos de imagen médica, etiquetado asistido por modelos
Supervisely	Autoalojada o alojada	Community Edition; niveles comerciales	Imágenes grandes, 3D y entrenamiento de modelos en el mismo producto
Segments.ai	Alojada	Comercial	Nubes de puntos 3D y fusión de sensores
X-AnyLabeling	Aplicación de escritorio	Gratis	Una persona que etiqueta en local con muchos modelos
VIA	Un único archivo HTML, sin conexión en el navegador	Gratis (BSD-2-Clause)	Proyectos pequeños sin instalar nada

Un estudio de etiquetado lado a lado

Todas estas herramientas dibujan las formas. Se diferencian en cómo comprueban a quienes las dibujan:

	Potato	CVAT	Label Studio	Roboflow	V7	Supervisely
Acuerdo entre anotadores	Corregido por azar, sobre cajas, polígonos y máscaras	Consenso por IoU frente a un umbral por clase	IoU, Enterprise	—	Etapa de consenso, por solapamiento	—
Poner a prueba a los anotadores con respuestas conocidas	Fase de entrenamiento con nota mínima, ítems de referencia, comprobaciones de atención	Trabajos de ground truth y honeypots; informes de calidad en CVAT Online y Enterprise	Ground truth, solo Enterprise	—	—	Exámenes de etiquetado puntuados contra un benchmark
Señala preetiquetas aceptadas sin revisar	A partir de los tiempos de dibujo	—	—	—	—	—
Reclutar en Prolific o SONA	Integrado	—	—	—	—	—
Segmentación asistida por modelo sin servidor con GPU	En el navegador	— (funciones de Nuclio o su vía de agente de IA)	— (ML backend)	En los servidores de Roboflow	En los servidores de V7	Mediante apps

Un guion significa que no encontramos nada al respecto en la documentación de la herramienta en septiembre de 2026. Si alguna celda está mal, avísanos.

Dónde va Potato por delante en imágenes

Un acuerdo que corrige el azar. Dos cajas dibujadas sin cuidado sobre un objeto grande siguen solapándose mucho, así que el IoU en bruto favorece a los anotadores. Potato compara a los anotadores con una línea base empírica de azar, y no hemos encontrado ninguna otra plataforma de anotación que informe de un acuerdo corregido por azar sobre etiquetas espaciales. La sección sobre el acuerdo, más abajo, tiene el detalle.

Preetiquetas que de verdad se revisaron. Aceptar la sugerencia de un modelo sin mirarla sube el acuerdo y baja la exactitud. Potato registra los tiempos de dibujo, lo que distingue una sugerencia revisada de una aceptada sin más.

El estudio alrededor de las imágenes. Potato recluta anotadores en Prolific o SONA, los forma antes de la tarea real y puede añadir valoraciones, clasificaciones o preguntas de texto libre sobre las mismas imágenes en un solo estudio. Los honeypots de CVAT y los exámenes de Supervisely controlan a un equipo de etiquetado. Las fases de Potato están pensadas para participantes de un estudio que llegan sin formación.

Cajas, polígonos y puntos clave

Todas estas herramientas dibujan cajas y polígonos. CVAT, Label Studio, Roboflow, V7, Supervisely, Segments.ai y Potato también hacen puntos clave con esqueletos. Potato añade polilíneas, elipses, cuboides 2D y máscaras de pincel por instancia.

Las plataformas maduras de visión por computador añaden atributos a cada objeto, como un nivel de oclusión, una marca de truncamiento o un subtipo. Potato todavía no. Ahí la geometría lleva una etiqueta, y los atributos adicionales necesitan un esquema complementario.

Segmentación con ayuda de un modelo

La segmentación interactiva convierte un clic o un contorno aproximado en una máscara ajustada. Potato la ejecuta en el navegador, sin GPU que aprovisionar. CVAT llega a ella mediante funciones de Nuclio o su vía de agentes de IA, y Label Studio mediante un backend de ML. Roboflow, V7, Supervisely y Segments.ai la integran en el producto.

La segmentación por texto devuelve una máscara para el objeto que nombras. Potato la ejecuta en el navegador con un modelo bajo licencia Apache-2.0. Roboflow y V7 usan SAM 3 en sus servidores, Supervisely la ofrece mediante apps y Label Studio mediante un backend de ML. X-AnyLabeling reúne Grounding DINO, Grounded-SAM 2, SAM 2.1 y YOLO en una aplicación de escritorio, y para una persona que etiqueta en local con muchos modelos es difícil de superar. La ventaja de Potato empieza cuando hay más de un anotador.

Consulta Cómo anotar máscaras de segmentación de imágenes y etiquetar objetos escribiendo su nombre.

Imágenes gigapíxel y láminas de patología

Potato construye una pirámide de teselas servida como DZI y como IIIF Image API 3.0. Las máscaras de pincel funcionan a la resolución completa de la fuente, porque el búfer de la máscara indexa píxeles de la imagen y no una textura de GPU, así que no hay techo de tamaño de textura. Los TIFF científicos de 16 bits reciben una ventana por percentiles para que las estructuras tenues sigan visibles. V7 y Supervisely también manejan imágenes muy grandes, y CVAT en parte. Consulta Anotación de imágenes gigapíxel con zoom profundo.

Para patología digital, QuPath (aplicación de escritorio de código abierto, el estándar del campo) y Cytomine (aplicación web de código abierto con anotación ciega multiusuario) están hechas a medida. Potato no lee SVS, DICOM ni NIfTI.

Nubes de puntos 3D

Potato anota nubes PCD, PLY, LAS, KITTI .bin y .xyz con cuboides 3D, puntos, polilíneas y segmentos por punto. Guarda la rotación de los cuboides como un cuaternión, de modo que el cabeceo y el alabeo sobreviven a una conversión de ida y vuelta, y compara cuboides con IoU 3D rotada exacta. La anotación es por fotograma.

Segments.ai, Kognic, Deepen AI, Supervisely y Xtreme1/BasicAI son especialistas, y en canalizaciones de producción para conducción autónoma van por delante: flujos de trabajo sobre secuencias con propagación de pistas, soporte de radar y de varios LiDAR, y cuboides ajustados automáticamente. CVAT, Supervisely y Segments.ai manejan secuencias de nubes de puntos, cosa que Potato no hace. Consulta Cómo anotar nubes de puntos 3D.

Medir el acuerdo en etiquetas de imagen

La mayoría de las herramientas de visión por computador comparan anotadores por solapamiento. El motor de consenso de CVAT y la etapa de consenso de V7 comparan anotadores con IoU bruta frente a un umbral por clase, y Label Studio Enterprise lista coincidencia exacta, diferencia numérica, IoU y solapamiento de tramos. Ninguna de estas medidas corrige el azar, y la IoU de dos cajas sobre un objeto grande es alta aunque ambas se dibujen sin cuidado.

Potato informa del acuerdo sobre geometría con una línea base empírica de azar. No hemos encontrado otra plataforma de anotación que informe de acuerdo corregido por azar sobre etiquetas espaciales. Cómo medir el acuerdo entre anotadores en cajas delimitadoras explica el método.

El preetiquetado añade un segundo problema. Los anotadores que aceptan sugerencias del modelo sin revisarlas suben todas las cifras de acuerdo y bajan la exactitud. Potato registra los tiempos del dibujo, que distinguen una sugerencia revisada de una aceptada sin mirar. Consulta Detectar preetiquetas aceptadas sin revisar.

Formatos

Potato importa 15 formatos de visión por computador, 11 de ellos de ida y vuelta. Exporta COCO, YOLO, Pascal VOC, CVAT, LabelMe, Cityscapes, KITTI, V7 Darwin, máscaras PNG, MOT y DAVIS. Consulta Formatos de visión por computador.

Una tarea de cajas delimitadoras con dos anotadores por imagen

yaml

agreement_metrics:
  enabled: true
 
annotation_schemes:
  - annotation_type: image_annotation
    name: objects
    description: "Draw a tight box around every vehicle."
    source_field: image
    tools: [bbox]
    labels:
      - {name: car, color: "#FF6B6B"}
      - {name: truck, color: "#4ECDC4"}
 
num_annotators_per_item:
  default: 2

Cada imagen va a dos anotadores, y el panel de administración informa de su acuerdo sobre las cajas.

Lo que Potato no hace con imágenes

No entrena modelos. Potato preetiqueta con modelos existentes, pero no entrena detectores. Roboflow, V7, Supervisely y Labelbox sí.
Todavía no tiene atributos por objeto.
No tiene secuencias de nubes de puntos. La anotación 3D es por fotograma.
No lee DICOM, NIfTI ni formatos de lámina completa.
No ofrece anotadores gestionados. Trae los tuyos o recútalos en Prolific.

Comprobado en la documentación y la página de precios de cada proyecto en agosto y septiembre de 2026.

Preguntas frecuentes

¿Cuál es la mejor herramienta gratuita de anotación de imágenes?

Para trabajo de gran volumen que solo es visión por computador, CVAT es gratuita, madura y autoalojada. Para imágenes en un proyecto que también etiqueta texto o audio, la Community Edition de Label Studio y Potato cubren ambas el abanico. Para estudios en los que varios anotadores etiquetan las mismas imágenes y hay que informar del acuerdo, Potato lo incluye sin coste. Para un puñado de imágenes sin instalar nada, VIA funciona desde un único archivo HTML.

¿Hay una alternativa de código abierto a Labelbox?

CVAT, la Community Edition de Label Studio y Potato son de código abierto y autoalojadas. Labelbox vende una plataforma gestionada y una plantilla de etiquetadores. Las herramientas de código abierto aportan software, no anotadores, así que traes tu propio equipo o reclutas mediante una plataforma como Prolific.

¿Puedo usar segmentación asistida por modelos sin un servidor con GPU?

Sí. Potato ejecuta la segmentación interactiva y por texto en el navegador mediante ONNX Runtime Web, y funciona sin red una vez que los pesos del modelo están en la máquina. Su propagación de máscaras en vídeo con SAM 2 se ejecuta en el servidor. X-AnyLabeling ejecuta los modelos en local, en el escritorio. CVAT y Label Studio llaman a un servidor de modelos.

¿Cómo mido el acuerdo entre anotadores en cajas delimitadoras?

Asigna cada imagen al menos a dos anotadores, empareja sus cajas e informa de un acuerdo que tenga en cuenta el azar, porque la IoU bruta es alta en objetos grandes hagan lo que hagan los anotadores. La guía de acuerdo en cajas delimitadoras cubre el emparejamiento, la línea base de azar y qué informar.

¿Qué herramienta de anotación debo usar para nubes de puntos 3D?

Para datos de conducción en producción con secuencias y propagación de pistas, usa un especialista como Segments.ai, Kognic o Supervisely, o CVAT si tiene que ser de código abierto. Para cuboides por fotograma en los que necesitas estadísticas de acuerdo, o cuando el 3D es una parte de un estudio multimodal, Potato encaja.

¿Hay una alternativa a CVAT para estudios de anotación con varios anotadores?

Para investigación en la que cada imagen va a varios anotadores y el artículo informa del acuerdo, Potato es de código abierto y gratuito, e informa de ese acuerdo corregido por azar. Las herramientas de calidad de CVAT, trabajos de ground truth, honeypots y consenso, puntúan a los anotadores por IoU frente a umbrales, con informes de calidad en CVAT Online y Enterprise. CVAT sigue siendo la herramienta más sólida para el etiquetado a gran escala y las secuencias de nubes de puntos.