Herramientas de anotación de vídeo comparadas: CVAT, Label Studio, ELAN, BORIS y Potato

La anotación de vídeo suele ser uno de dos trabajos. El seguimiento de objetos dibuja una forma alrededor de algo y la sigue a lo largo de los fotogramas, y CVAT es la herramienta de código abierto de referencia para ello. La anotación temporal marca cuándo ocurre algo, y ELAN y BORIS son los estándares en lingüística y en investigación del comportamiento. Potato hace ambas cosas en el navegador para estudios con varios anotadores, e informa de cuánto coinciden en cuándo empiezan y terminan los eventos.

El seguimiento de objetos sigue un objeto a lo largo de un vídeo, normalmente dibujándolo en fotogramas clave e interpolando los intermedios. Un segmento temporal es un inicio, un final y una etiqueta, como una acción o un turno de habla. La propagación de máscaras usa un modelo para llevar una máscara de segmentación de un fotograma al siguiente.

Esta página trata el vídeo. Herramientas de anotación con IA, comparadas cubre todos los tipos de datos en una sola página.

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

Seguir objetos a lo largo de los fotogramas

El modo de pista de CVAT enlaza formas de distintos fotogramas como un solo objeto. Quien anota ajusta la forma en algunos fotogramas clave y CVAT interpola linealmente los intermedios, para rectángulos, polígonos y puntos. La etiqueta VideoRectangle de Label Studio añade seguimiento de objetos al vídeo, para cajas. V7, Supervisely y Segments.ai siguen objetos con interpolación y propagan máscaras con un modelo.

El esquema video_annotation de Potato tiene un modo de seguimiento que interpola cajas y polígonos entre fotogramas clave. La propagación de máscaras con SAM 2 se ejecuta en el servidor. El navegador tiene una vía más ligera que arrastra la máscara al fotograma siguiente. Consulta Cómo anotar el seguimiento de objetos en vídeo.

Marcar cuándo ocurren las cosas

La etiqueta TimelineLabels de Label Studio etiqueta un solo fotograma con un clic o un rango de fotogramas arrastrando. ELAN coloca anotaciones sobre la línea de tiempo en tantos niveles como necesite el esquema, con vocabularios controlados y hasta cuatro vídeos sincronizados. BORIS registra y codifica eventos de conducta en vídeo, audio u observación en directo. Prodigy registra regiones según marcas de tiempo del vídeo, y VIA 3 anota vídeo además de imágenes y audio.

En Potato, los segmentos temporales se etiquetan sobre una línea de tiempo. Desde la versión 2.9, segment_schemes coloca cualquier tipo de anotación dentro de un segmento, de modo que cada segmento puede llevar su propia valoración o pregunta de texto libre. Consulta Anotación de vídeo.

Acuerdo en anotaciones de vídeo

Dos anotadores que marcan cuándo empieza un evento no eligen el mismo fotograma, así que el acuerdo temporal depende de a qué distancia pueden estar dos marcas y seguir contando como la misma.

• ELAN tiene un cálculo de fiabilidad entre anotadores integrado: una κ de Cohen modificada que vincula anotaciones que se solapan un mínimo fijado, y el algoritmo Staccato, que tiene en cuenta el azar comparando una segmentación con otras generadas aleatoriamente.
• Potato informa la IoU temporal para el solapamiento, α para la posición de los límites, α sobre las etiquetas y α sobre si se marcó un evento en absoluto, con la tolerancia de emparejamiento mostrada como un barrido de valores. Su documentación indica una limitación: el solapamiento de segmentos todavía no tiene una línea base de azar. Consulta Acuerdo en el tiempo.
• El motor de consenso de CVAT compara anotadores con IoU bruta frente a un umbral por clase.

Para pistas y máscaras, Potato compara las máscaras fotograma a fotograma con consenso de máscaras y STAPLE, y las cajas con el acuerdo sobre geometría descrito en Cómo medir el acuerdo entre anotadores en cajas delimitadoras.

Formatos

Potato exporta MOT para pistas, DAVIS para máscaras de segmentación de objetos en vídeo y EAF para anotaciones alineadas en el tiempo que ELAN puede abrir. Consulta Formatos de visión por computador.

Una tarea de seguimiento en 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

frame_stepping permite a los anotadores avanzar fotograma a fotograma, y auto_advance_frames fija cuánto salta Track forward.

Lo que Potato no hace con vídeo

• Todavía no tiene atributos por objeto. Una pista lleva una etiqueta. Las marcas de oclusión y truncamiento necesitan un esquema complementario.
• No propaga máscaras en el navegador. La propagación con SAM 2 se ejecuta en el servidor.
• No ofrece anotadores gestionados. Trae los tuyos o recútalos en Prolific.

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

Preguntas frecuentes

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

Para seguir objetos a gran volumen, CVAT es gratuita, madura y autoalojada. Para codificar conducta o habla a lo largo del tiempo, ELAN y BORIS son herramientas de escritorio gratuitas. Para un estudio en el que varios anotadores etiquetan los mismos vídeos en el navegador y hay que informar del acuerdo, Potato lo incluye sin coste.

¿Qué herramientas de anotación de vídeo interpolan entre fotogramas clave?

El modo de pista de CVAT interpola linealmente rectángulos, polígonos y puntos entre fotogramas clave. El modo de seguimiento de Potato interpola cajas y polígonos. V7 y Supervisely interpolan y además propagan máscaras con un modelo. VideoRectangle de Label Studio sigue cajas.

¿Qué debería usar para codificar conducta en vídeo?

BORIS y ELAN son las herramientas gratuitas establecidas, y ELAN puede calcular la fiabilidad entre anotadores para pares de niveles. Para un esquema de codificación que aplican varios codificadores en el navegador, con el acuerdo entre todos ellos informado, sirven los segmentos temporales de Potato.

¿Cómo se mide el acuerdo en anotaciones de vídeo?

Para eventos, empareja los segmentos de cada anotador dentro de una tolerancia e informa del solapamiento, el acuerdo en los límites y el acuerdo en las etiquetas, preferiblemente con varias tolerancias, porque el acuerdo a un cuarto de segundo y a dos segundos son afirmaciones distintas. Para pistas, compara las formas fotograma a fotograma, con IoU para cajas y máscaras.

¿Dónde se ejecuta la propagación de máscaras de vídeo en Potato?

En el servidor, con SAM 2. El navegador tiene una vía más ligera que copia una máscara al fotograma siguiente sin el modelo.

Lecturas adicionales

• Herramientas de anotación con IA, comparadas, todos los tipos de datos en una página
• Herramientas de anotación de texto comparadas
• Herramientas de anotación de audio comparadas
• Herramientas de anotación de imágenes comparadas
• Herramientas de evaluación de agentes de IA comparadas
• Herramientas de evaluación de modelos del mundo y episodios de robots comparadas
• Cómo anotar el seguimiento de objetos en vídeo