Ferramentas de anotação de vídeo comparadas: CVAT, Label Studio, ELAN, BORIS e Potato

A anotação de vídeo costuma ser um de dois trabalhos. O rastreamento de objetos desenha uma forma em volta de algo e a acompanha ao longo dos quadros, e o CVAT é a ferramenta de código aberto de referência para isso. A anotação temporal marca quando algo acontece, e o ELAN e o BORIS são o padrão na linguística e na pesquisa comportamental. O Potato faz as duas coisas no navegador, para estudos com vários anotadores. Ele recruta e treina esses anotadores e relata o quanto eles concordam sobre eventos e sobre trilhas.

O rastreamento de objetos acompanha um objeto ao longo de um vídeo, geralmente desenhando-o em quadros-chave e interpolando os quadros entre eles. Um segmento temporal é um tempo de início, um tempo de fim e um rótulo, como uma ação ou um turno de fala. A propagação de máscaras usa um modelo para levar uma máscara de segmentação de um quadro para o seguinte.

Esta página trata de vídeo. Ferramentas de anotação com IA, comparadas cobre todos os tipos de dados em uma única página.

Quais ferramentas de anotação de vídeo vale a pena comparar?

Como conduzir um estudo de anotação, lado a lado

Um travessão significa que não encontramos nada sobre o item na documentação da ferramenta em setembro de 2026. Se alguma célula estiver errada, avise a gente.

Onde o Potato está à frente em vídeo

Concordância nos dois tipos de anotação de vídeo. O ELAN e o BORIS medem a concordância sobre eventos, e o CVAT sobre formas. O Potato faz as duas coisas: os eventos são comparados por sobreposição e detecção em um único limiar de correspondência, e as trilhas e máscaras contra uma linha de base de acaso, de modo que um estudo que rastreia objetos e marca ações relata a concordância de cada parte.

Codificadores que nunca estiveram no seu laboratório. O Potato recruta codificadores no Prolific ou no SONA, treina-os com clipes de prática e feedback e os checa com clipes padrão ouro enquanto trabalham. Desde a versão 2.9, cada segmento pode ter sua própria avaliação ou pergunta de texto livre, para que o codificador possa dizer por que marcou um evento onde marcou.

Rastreamento de objetos ao longo dos quadros

O modo de trilha do CVAT vincula formas em quadros diferentes como um único objeto. O anotador ajusta a forma em alguns quadros-chave e o CVAT interpola linearmente os quadros entre eles, para retângulos, polígonos e pontos. A tag VideoRectangle do Label Studio acrescenta rastreamento de objetos ao vídeo, para caixas. O V7, o Supervisely e o Segments.ai rastreiam com interpolação e propagam máscaras com um modelo.

O esquema video_annotation do Potato tem um modo de rastreamento que interpola caixas e polígonos entre quadros-chave. A propagação de máscaras com o SAM 2 roda no servidor. O navegador tem um caminho mais leve, que leva a máscara adiante. Veja Como anotar o rastreamento de objetos em vídeo.

Como marcar quando as coisas acontecem

A tag TimelineLabels do Label Studio rotula um único quadro com um clique ou um intervalo de quadros com um arraste. O ELAN anexa anotações à linha do tempo em quantos tiers o esquema precisar, com vocabulários controlados e até quatro vídeos sincronizados. O BORIS registra e codifica eventos comportamentais a partir de vídeo, áudio ou observação ao vivo. O Prodigy registra regiões em relação às marcações de tempo do vídeo, e o VIA 3 anota vídeo além de imagens e áudio.

No Potato, os segmentos temporais são rotulados em uma linha do tempo. Desde a versão 2.9, segment_schemes coloca qualquer tipo de anotação dentro de um segmento, de modo que cada segmento pode ter sua própria avaliação ou pergunta de texto livre. Veja Anotação de vídeo.

Concordância em anotações de vídeo

Dois anotadores que marcam quando um evento começa não vão escolher o mesmo quadro, então a concordância temporal depende de quão distantes duas marcas podem estar e ainda contar como a mesma.

• O ELAN tem um cálculo de confiabilidade entre anotadores integrado: um κ de Cohen modificado, que vincula anotações que se sobrepõem por um mínimo definido, e o algoritmo Staccato, que leva o acaso em conta comparando uma segmentação com segmentações geradas aleatoriamente.
• O BORIS calcula o κ de Cohen entre duas observações, fazendo a correspondência de eventos dentro de uma janela de tempo que, por padrão, é de dez segundos.
• O Potato compara cada par de anotadores em IoU temporal, F1 de detecção e uma pontuação geral de concordância que dá meio crédito a segmentos correspondentes com rótulos diferentes, tudo em um único limiar de correspondência. Nenhuma dessas medidas tem ainda uma linha de base de acaso, e a documentação dele diz isso. Veja Concordância ao longo do tempo.
• O motor de consenso do CVAT compara anotadores com IoU bruto contra um limiar por classe.

Para trilhas e máscaras, o Potato compara as máscaras quadro a quadro com consenso de máscaras e STAPLE, e as caixas com a concordância de geometria descrita em Como medir a concordância entre anotadores em caixas delimitadoras.

Formatos

O Potato exporta MOT para trilhas, DAVIS para máscaras de segmentação de objetos em vídeo e EAF para anotações alinhadas no tempo que o ELAN abre. Veja Formatos de visão computacional.

Uma tarefa de rastreamento no 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 que os anotadores avancem um quadro por vez, e auto_advance_frames define o tamanho do salto do botão Track forward.

O que o Potato não faz em vídeo

• Ainda sem atributos por objeto. Uma trilha carrega um rótulo. Marcações de oclusão e de truncamento exigem um esquema complementar.
• Nenhuma propagação de máscaras no navegador. A propagação com o SAM 2 roda no servidor.
• Nenhuma força de trabalho gerenciada. Traga seus próprios anotadores ou recrute-os no Prolific.

Verificado em relação à documentação de cada projeto em agosto e setembro de 2026.

Perguntas frequentes

Qual é a melhor ferramenta gratuita de anotação de vídeo?

Para rastrear objetos em volume, o CVAT é gratuito, maduro e auto-hospedado. Para codificar comportamento ou fala ao longo do tempo, o ELAN e o BORIS são ferramentas de desktop gratuitas. Para um estudo em que vários anotadores rotulam os mesmos vídeos no navegador e a concordância precisa ser relatada, o Potato inclui isso sem custo.

Quais ferramentas de anotação de vídeo interpolam entre quadros-chave?

O modo de trilha do CVAT interpola linearmente retângulos, polígonos e pontos entre quadros-chave. O modo de rastreamento do Potato interpola caixas e polígonos. O V7 e o Supervisely interpolam e também propagam máscaras com um modelo. A tag VideoRectangle do Label Studio rastreia caixas.

O que usar para codificação de comportamento em vídeo?

O BORIS e o ELAN são as ferramentas gratuitas consagradas, e as duas calculam a confiabilidade entre avaliadores: o ELAN entre pares de tiers, o BORIS como κ de Cohen entre duas observações. Para um esquema de codificação aplicado por vários codificadores no navegador, com codificadores recrutados e treinados online, os segmentos temporais do Potato funcionam. O relatório de concordância dele sobre segmentos traz sobreposição e detecção em um único limiar de correspondência, sem correção pelo acaso.

Quais ferramentas de anotação de vídeo calculam a confiabilidade entre avaliadores?

O ELAN oferece um κ de Cohen modificado e o algoritmo Staccato entre pares de tiers. O BORIS calcula o κ de Cohen entre duas observações dentro de uma janela de tempo. O Potato relata IoU temporal e F1 de detecção sobre segmentos, sem correção pelo acaso, e a concordância sobre trilhas e máscaras contra uma linha de base de acaso. O CVAT compara as formas dos anotadores por IoU contra um limiar, e o Label Studio reserva a concordância para os planos pagos.

Como se mede a concordância em anotações de vídeo?

Para eventos, faça a correspondência dos segmentos de cada anotador dentro de uma tolerância e relate a sobreposição, a concordância de fronteiras e a concordância de rótulos, de preferência em várias tolerâncias, porque concordância a um quarto de segundo e a dois segundos são afirmações diferentes. Para trilhas, compare as formas quadro a quadro, com IoU para caixas e máscaras.

Onde roda a propagação de máscaras em vídeo no Potato?

No servidor, usando o SAM 2. O navegador tem um caminho mais leve, que copia a máscara para o quadro seguinte sem o modelo.

Leitura complementar

• Ferramentas de anotação com IA, comparadas, para todos os tipos de dados em uma única página
• Ferramentas de anotação de texto comparadas: PLN de código aberto e pagas
• Ferramentas de anotação de áudio comparadas: ELAN, Praat, Label Studio e Potato
• Ferramentas de anotação de imagens comparadas: CVAT, Label Studio, Roboflow, V7 e Potato
• Ferramentas de avaliação de agentes de IA comparadas: LangSmith, Langfuse, Phoenix e Potato
• Ferramentas de avaliação de modelos de mundo e episódios de robôs comparadas
• Como anotar o rastreamento de objetos em vídeo