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

Compara CVAT, Label Studio, ELAN, BORIS, VIA, V7 y Potato para seguimiento de objetos, segmentos temporales y codificación de conducta, y cómo mide cada uno el acuerdo entre anotadores.

La anotación de vídeo suele ser uno de dos trabajos. El seguimiento de objetos dibuja una forma alrededor de algo y la sigue fotograma a fotograma, 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. Recluta y forma a esos anotadores, e informa de cuánto coinciden en los eventos y en las trayectorias.

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?

Herramienta	Funciona como	Licencia y coste	Adecuada para
Potato	Aplicación web autoalojada	GPL-3.0, gratis	Estudios con varios anotadores: seguimiento, segmentos temporales, preguntas por segmento, acuerdo
CVAT	Autoalojada o alojada	MIT; alojada, 33 $ por usuario al mes	Seguimiento de cajas, polígonos y puntos a gran volumen
Label Studio	Autoalojada o alojada	Apache-2.0 Community Edition, con planes de pago	Seguimiento de objetos con `VideoRectangle`, etiquetas por rangos de fotogramas con `TimelineLabels`
ELAN	Aplicación de escritorio	GPL-3.0	Niveles alineados en el tiempo sobre hasta cuatro vídeos vinculados
BORIS	Aplicación de escritorio para Linux, Windows, macOS y Android	GPL-3.0	Registrar eventos de conducta en vídeo, audio u observación en directo
Prodigy	Aplicación web en local	Propietaria	Regiones con marcas de tiempo sobre un vídeo mediante sus interfaces de audio
VIA 3	Un único archivo HTML, sin conexión en el navegador	BSD-2-Clause	Proyectos de vídeo pequeños sin instalar nada
V7, Supervisely	Alojadas; Supervisely también autoalojable	Comercial	Seguimiento con propagación de máscaras basada en modelos y flujos gestionados

Un estudio de anotación lado a lado

	Potato	CVAT	Label Studio	ELAN	BORIS
Varios anotadores etiquetan los mismos vídeos en el navegador	Sí	Sí	Sí	No, escritorio	No, escritorio
Acuerdo sobre cuándo ocurren los eventos	IoU temporal y F1 de detección con un único umbral de emparejamiento, sin corrección por azar	—	Planes de pago	κ modificada y Staccato, entre pares de niveles	κ de Cohen entre dos observaciones, dentro de una ventana de tiempo
Acuerdo sobre trayectorias y máscaras	Acuerdo geométrico con línea base de azar, consenso de máscaras y STAPLE	Consenso por IoU frente a un umbral por clase	IoU, Enterprise	—	—
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	—	—
Reclutar en Prolific o SONA	Integrado	—	—	—	—

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 vídeo

Acuerdo en los dos tipos de anotación de vídeo. ELAN y BORIS miden el acuerdo en eventos, y CVAT en formas. Potato hace ambas cosas: los eventos se comparan por solapamiento y detección con un único umbral de emparejamiento, y las trayectorias y máscaras frente a una línea base de azar, así que un estudio que sigue objetos y marca acciones informa del acuerdo en cada uno.

Codificadores que nunca pisaron tu laboratorio. Potato recluta codificadores en Prolific o SONA, los forma con clips de práctica con retroalimentación y los comprueba con clips de referencia mientras trabajan. Desde la versión 2.9, cada segmento puede llevar su propia valoración o pregunta de texto libre, para que el codificador explique por qué marcó un evento donde lo marcó.

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.
BORIS calcula la κ de Cohen entre dos observaciones, emparejando eventos dentro de una ventana de tiempo que por defecto es de diez segundos.
Potato compara cada par de anotadores en IoU temporal, F1 de detección y una puntuación de acuerdo global que da la mitad del crédito a los segmentos emparejados con etiquetas distintas, todo con un único umbral de emparejamiento. Ninguna de estas medidas tiene todavía una línea base de azar, y su documentación lo dice. 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

yaml

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 consolidadas, y ambas calculan la fiabilidad entre codificadores: ELAN entre pares de niveles, BORIS como κ de Cohen entre dos observaciones. Para un esquema de codificación aplicado por varios codificadores en el navegador, reclutados y formados en línea, sirven los segmentos temporales de Potato. Su informe de acuerdo sobre segmentos da el solapamiento y la detección con un único umbral de emparejamiento, sin corrección por azar.

¿Qué herramientas de anotación de vídeo calculan la fiabilidad entre codificadores?

ELAN ofrece una κ de Cohen modificada y el algoritmo Staccato entre pares de niveles. BORIS calcula la κ de Cohen entre dos observaciones dentro de una ventana de tiempo. Potato informa del IoU temporal y de la F1 de detección sobre segmentos, sin corrección por azar, y del acuerdo sobre trayectorias y máscaras frente a una línea base de azar. CVAT compara las formas de los anotadores por IoU frente a un umbral, y Label Studio reserva el acuerdo para sus planes de pago.

¿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.