वीडियो एनोटेशन टूल की तुलना: CVAT, Label Studio, ELAN, BORIS और Potato

वीडियो एनोटेशन आम तौर पर दो में से एक काम होता है। ऑब्जेक्ट ट्रैकिंग किसी चीज़ के चारों ओर आकृति बनाकर उसे फ़्रेम-दर-फ़्रेम फ़ॉलो करती है, और इसके लिए CVAT संदर्भ ओपन-सोर्स टूल है। टेम्पोरल एनोटेशन यह चिह्नित करता है कि कुछ कब होता है, और भाषाविज्ञान व व्यवहार शोध में ELAN और BORIS मानक हैं। Potato कई एनोटेटरों वाले अध्ययनों के लिए ब्राउज़र में दोनों काम करता है। यह उन एनोटेटरों को भर्ती और प्रशिक्षित करता है, और बताता है कि वे घटनाओं और ट्रैक पर कितने सहमत हैं।

ऑब्जेक्ट ट्रैकिंग किसी वस्तु को पूरे वीडियो में फ़ॉलो करता है, आम तौर पर उसे कीफ़्रेम पर बनाकर और बीच के फ़्रेम इंटरपोलेट करके। टेम्पोरल सेगमेंट एक शुरुआती समय, एक अंतिम समय और एक लेबल है, जैसे कोई क्रिया या वक्ता का टर्न। मास्क प्रोपेगेशन किसी मॉडल की मदद से सेगमेंटेशन मास्क को एक फ़्रेम से अगले फ़्रेम तक ले जाता है।

यह पेज वीडियो के बारे में है। सभी डेटा प्रकारों की एक पेज पर तुलना AI एनोटेशन टूल की तुलना में है।

किन वीडियो एनोटेशन टूल की तुलना करनी चाहिए?

एनोटेशन अध्ययन आमने-सामने

डैश का अर्थ है कि सितंबर 2026 में हमें उस टूल के दस्तावेज़ीकरण में इसके बारे में कुछ नहीं मिला। अगर कोई सेल ग़लत है, तो हमें बताएँ।

वीडियो के लिए Potato कहाँ आगे है

दोनों तरह के वीडियो एनोटेशन पर सहमति। ELAN और BORIS घटनाओं पर सहमति मापते हैं, और CVAT आकृतियों पर। Potato दोनों करता है: घटनाओं की तुलना ओवरलैप और पहचान के आधार पर एक ही मिलान-थ्रेशोल्ड पर होती है, और ट्रैक व मास्क की संयोग के आधार के मुक़ाबले, इसलिए जो अध्ययन वस्तुओं को ट्रैक करता है और क्रियाएँ चिह्नित करता है, वह दोनों पर सहमति रिपोर्ट करता है।

ऐसे कोडर जो कभी आपकी लैब में नहीं आए। Potato Prolific या SONA से कोडर भर्ती करता है, उन्हें फ़ीडबैक वाली अभ्यास क्लिप पर प्रशिक्षित करता है, और काम के दौरान गोल्ड क्लिप से उनकी जाँच करता है। संस्करण 2.9 से हर सेगमेंट का अपना रेटिंग या मुक्त-टेक्स्ट प्रश्न हो सकता है, ताकि कोडर बता सके कि उसने घटना ठीक वहीं क्यों चिह्नित की।

फ़्रेमों के पार वस्तुओं को ट्रैक करना

CVAT का ट्रैक मोड अलग-अलग फ़्रेम की आकृतियों को एक ही वस्तु के रूप में जोड़ता है। एनोटेटर कुछ कीफ़्रेम पर आकृति समायोजित करता है, और CVAT बीच के फ़्रेम को रेखीय रूप से इंटरपोलेट करता है, आयतों, पॉलीगॉन और पॉइंट के लिए। Label Studio का VideoRectangle टैग वीडियो में बॉक्स के लिए ऑब्जेक्ट ट्रैकिंग लाता है। V7, Supervisely और Segments.ai इंटरपोलेशन के साथ ट्रैक करते हैं और मॉडल से मास्क प्रोपेगेट करते हैं।

Potato की video_annotation स्कीम में एक ट्रैकिंग मोड है जो कीफ़्रेम के बीच बॉक्स और पॉलीगॉन इंटरपोलेट करता है। SAM 2 के साथ मास्क प्रोपेगेशन सर्वर पर चलता है। ब्राउज़र में एक हल्का रास्ता है जो मास्क को आगे ले जाता है। देखें वीडियो ऑब्जेक्ट ट्रैकिंग कैसे एनोटेट करें।

कुछ कब होता है, यह चिह्नित करना

Label Studio का TimelineLabels टैग एक क्लिक से एक फ़्रेम या ड्रैग करके फ़्रेमों की एक रेंज लेबल करता है। ELAN स्कीम को जितने स्तर चाहिए उतने स्तरों पर एनोटेशन को टाइमलाइन से जोड़ता है, नियंत्रित शब्दावलियों और अधिकतम चार सिंक किए गए वीडियो के साथ। BORIS वीडियो, ऑडियो या लाइव अवलोकन से व्यवहार संबंधी घटनाएँ दर्ज और कोड करता है। Prodigy वीडियो के टाइमस्टैम्प के आधार पर क्षेत्र दर्ज करता है, और VIA 3 इमेज और ऑडियो के साथ वीडियो भी एनोटेट करता है।

Potato में टेम्पोरल सेगमेंट एक टाइमलाइन पर लेबल होते हैं। संस्करण 2.9 से segment_schemes किसी भी एनोटेशन प्रकार को एक सेगमेंट के अंदर रखता है, ताकि हर सेगमेंट का अपना रेटिंग या मुक्त-पाठ प्रश्न हो सके। देखें वीडियो एनोटेशन।

वीडियो एनोटेशन पर सहमति

किसी घटना की शुरुआत चिह्नित करने वाले दो एनोटेटर एक ही फ़्रेम नहीं चुनते, इसलिए टेम्पोरल सहमति इस पर निर्भर करती है कि दो निशान कितनी दूर हो सकते हैं और फिर भी एक ही माने जाएँ।

• ELAN में इंटर-एनोटेटर विश्वसनीयता की गणना बनी हुई है: संशोधित Cohen का κ, जो तय न्यूनतम सीमा तक ओवरलैप होने वाले एनोटेशन को जोड़ता है, और Staccato एल्गोरिदम, जो किसी सेगमेंटेशन की तुलना यादृच्छिक रूप से बनाए गए सेगमेंटेशन से करके संयोग का हिसाब रखता है।
• BORIS दो ऑब्ज़र्वेशन के बीच Cohen का κ निकालता है, और घटनाओं को एक समय-सीमा के भीतर मिलाता है जो डिफ़ॉल्ट रूप से दस सेकंड है।
• Potato एनोटेटर की हर जोड़ी की तुलना टेम्पोरल IoU, डिटेक्शन F1 और एक समग्र सहमति स्कोर पर करता है, जो अलग-अलग लेबल वाले मिलान हुए सेगमेंट को आधा श्रेय देता है, और यह सब एक ही मिलान-थ्रेशोल्ड पर। इनमें से किसी के लिए अभी संयोग की आधार-रेखा नहीं है, और इसका दस्तावेज़ीकरण यह बात कहता है। देखें समय के साथ सहमति।
• CVAT का कंसेंसस इंजन एनोटेटरों की तुलना प्रति-वर्ग सीमा के सामने कच्चे IoU से करता है।

ट्रैक और मास्क के लिए Potato मास्क की तुलना फ़्रेम-दर-फ़्रेम मास्क कंसेंसस और STAPLE से करता है, और बॉक्स की तुलना बाउंडिंग बॉक्स पर इंटर-एनोटेटर सहमति कैसे मापें में बताई गई ज्यामिति सहमति से।

फ़ॉर्मैट

Potato ट्रैक के लिए MOT, वीडियो ऑब्जेक्ट सेगमेंटेशन मास्क के लिए DAVIS, और समय के साथ संरेखित उन एनोटेशन के लिए EAF एक्सपोर्ट करता है जिन्हें ELAN खोलता है। देखें कंप्यूटर विज़न फ़ॉर्मैट।

Potato में ट्रैकिंग का कार्य

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 एनोटेटरों को एक-एक फ़्रेम आगे बढ़ने देता है, और auto_advance_frames तय करता है कि Track forward कितना आगे कूदता है।

वीडियो के लिए Potato क्या नहीं करता

• अभी प्रति-वस्तु एट्रिब्यूट नहीं। एक ट्रैक पर एक लेबल होता है। ओक्लूज़न और कटाव के संकेतों के लिए साथ में एक और स्कीम चाहिए।
• ब्राउज़र में मास्क प्रोपेगेशन नहीं। SAM 2 से प्रोपेगेशन सर्वर पर चलता है।
• कोई प्रबंधित वर्कफ़ोर्स नहीं। अपने एनोटेटर लाएँ, या उन्हें Prolific पर भर्ती करें।

हर प्रोजेक्ट के दस्तावेज़ीकरण से अगस्त और सितंबर 2026 में जाँचा गया।

अक्सर पूछे जाने वाले प्रश्न

सबसे अच्छा मुफ़्त वीडियो एनोटेशन टूल कौन-सा है?

बड़ी मात्रा में वस्तुओं की ट्रैकिंग के लिए CVAT मुफ़्त, परिपक्व और ख़ुद होस्ट होने वाला है। समय के साथ व्यवहार या बोली की कोडिंग के लिए ELAN और BORIS मुफ़्त डेस्कटॉप टूल हैं। ऐसे अध्ययन के लिए जिसमें कई एनोटेटर ब्राउज़र में एक ही वीडियो लेबल करते हैं और सहमति रिपोर्ट करनी होती है, Potato यह मुफ़्त में देता है।

कौन-से वीडियो एनोटेशन टूल कीफ़्रेम के बीच इंटरपोलेट करते हैं?

CVAT का ट्रैक मोड कीफ़्रेम के बीच आयतों, पॉलीगॉन और पॉइंट को रेखीय रूप से इंटरपोलेट करता है। Potato का ट्रैकिंग मोड बॉक्स और पॉलीगॉन इंटरपोलेट करता है। V7 और Supervisely इंटरपोलेट करते हैं और मॉडल से मास्क भी प्रोपेगेट करते हैं। Label Studio का VideoRectangle बॉक्स ट्रैक करता है।

वीडियो की व्यवहार कोडिंग के लिए क्या इस्तेमाल करूँ?

BORIS और ELAN स्थापित मुफ़्त टूल हैं, और दोनों इंटर-रेटर विश्वसनीयता निकालते हैं: ELAN स्तरों की जोड़ियों के बीच, BORIS दो ऑब्ज़र्वेशन के बीच Cohen के κ के रूप में। ऐसी कोडिंग योजना के लिए जिसे कई कोडर ब्राउज़र में लागू करते हैं, जिन्हें ऑनलाइन भर्ती और प्रशिक्षित किया जाता है, Potato के टेम्पोरल सेगमेंट काम आते हैं। सेगमेंट पर इसकी सहमति रिपोर्ट एक ही मिलान-थ्रेशोल्ड पर ओवरलैप और पहचान बताती है, संयोग के लिए सुधार के बिना।

कौन-से वीडियो एनोटेशन टूल इंटर-रेटर विश्वसनीयता निकालते हैं?

ELAN स्तरों की जोड़ियों के बीच संशोधित Cohen का κ और Staccato एल्गोरिदम देता है। BORIS एक समय-सीमा के भीतर दो ऑब्ज़र्वेशन के बीच Cohen का κ निकालता है। Potato सेगमेंट पर टेम्पोरल IoU और डिटेक्शन F1 रिपोर्ट करता है, संयोग के लिए सुधार के बिना, और ट्रैक व मास्क पर संयोग के आधार के मुक़ाबले सहमति। CVAT एनोटेटरों की आकृतियों की तुलना किसी सीमा के मुक़ाबले IoU से करता है, और Label Studio सहमति को अपने सशुल्क प्लान तक सीमित रखता है।

वीडियो एनोटेशन पर सहमति कैसे मापी जाती है?

घटनाओं के लिए, हर एनोटेटर के सेगमेंट का एक सहनशीलता के भीतर मिलान करें और ओवरलैप, सीमाओं पर सहमति और लेबल पर सहमति रिपोर्ट करें, बेहतर हो कि कई सहनशीलताओं पर, क्योंकि चौथाई सेकंड और दो सेकंड पर सहमति अलग-अलग दावे हैं। ट्रैक के लिए, आकृतियों की तुलना फ़्रेम-दर-फ़्रेम करें, बॉक्स और मास्क के लिए IoU के साथ।

Potato में वीडियो मास्क प्रोपेगेशन कहाँ चलता है?

सर्वर पर, SAM 2 के साथ। ब्राउज़र में एक हल्का रास्ता है जो मॉडल के बिना एक मास्क को अगले फ़्रेम पर कॉपी करता है।

आगे पढ़ें

• AI एनोटेशन टूल की तुलना, सभी डेटा प्रकार एक पेज पर
• टेक्स्ट एनोटेशन टूल की तुलना
• ऑडियो एनोटेशन टूल की तुलना
• इमेज एनोटेशन टूल की तुलना
• AI एजेंट मूल्यांकन टूल की तुलना
• वर्ल्ड मॉडल और रोबोट एपिसोड मूल्यांकन टूल की तुलना
• वीडियो ऑब्जेक्ट ट्रैकिंग कैसे एनोटेट करें