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

A anotação de vídeo costuma ser um de dois trabalhos. O seguimento de objetos desenha uma forma à volta de algo e segue-a de fotograma em fotograma, 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 as referências em linguística e em investigação comportamental. O Potato faz as duas coisas no navegador para estudos com vários anotadores. Recruta e forma esses anotadores, e reporta o grau de concordância nos eventos e nas trajetórias.

O seguimento de objetos acompanha um objeto ao longo de um vídeo, normalmente desenhando-o em fotogramas-chave e interpolando os intermédios. Um segmento temporal é um início, um 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 fotograma para o seguinte.

Esta página trata de vídeo. Ferramentas de anotação com IA, comparadas cobre todos os tipos de dados numa só página.

Que ferramentas de anotação de vídeo vale a pena comparar?

Um estudo de anotação lado a lado

Um travessão significa que não encontrámos nada sobre isso na documentação da ferramenta em setembro de 2026. Se uma célula estiver errada, diga-nos.

Onde o Potato está à frente no vídeo

Concordância nos dois tipos de anotação de vídeo. O ELAN e o BORIS medem a concordância em eventos, e o CVAT em formas. O Potato faz as duas coisas: os eventos são comparados por sobreposição e deteção num único limiar de correspondência, e as trajetórias e máscaras face a uma linha de base para o acaso, pelo que um estudo que segue objetos e marca ações reporta a concordância em cada um.

Codificadores que nunca estiveram no seu laboratório. O Potato recruta codificadores no Prolific ou no MTurk, forma-os com clipes de prática com feedback e verifica-os com clipes de referência enquanto trabalham. Desde a versão 2.9, cada segmento pode ter a sua própria classificação ou pergunta de texto livre, para que o codificador explique porque marcou um evento naquele ponto.

Seguir objetos ao longo dos fotogramas

O modo de trajetória do CVAT liga formas em fotogramas diferentes como um único objeto. Quem anota ajusta a forma em alguns fotogramas-chave e o CVAT interpola linearmente os intermédios, para retângulos, polígonos e pontos. A tag VideoRectangle do Label Studio traz seguimento de objetos ao vídeo, para caixas. O V7, o Supervisely e o Segments.ai seguem com interpolação e propagam máscaras com um modelo.

O esquema video_annotation do Potato tem um modo de seguimento que interpola caixas e polígonos entre fotogramas-chave. A propagação de máscaras com o SAM 2 corre no servidor. O navegador tem uma via mais leve que leva a máscara para a frente. Veja Como anotar o seguimento de objetos em vídeo.

Marcar quando as coisas acontecem

A tag TimelineLabels do Label Studio rotula um único fotograma com um clique ou um intervalo de fotogramas arrastando. O ELAN prende as anotações à linha temporal em tantas camadas quantas o esquema precisar, com vocabulários controlados e até quatro vídeos sincronizados. O BORIS regista e codifica eventos de comportamento em vídeo, áudio ou observação ao vivo. O Prodigy regista regiões segundo as marcas temporais do vídeo, e o VIA 3 anota vídeo além de imagens e áudio.

No Potato, os segmentos temporais rotulam-se numa linha temporal. Desde a versão 2.9, segment_schemes coloca qualquer tipo de anotação dentro de um segmento, pelo que cada segmento pode ter a sua própria classificação ou pergunta de texto livre. Veja Anotação de vídeo.

Concordância em anotações de vídeo

Dois anotadores que marcam quando um evento começa não escolhem o mesmo fotograma, por isso a concordância temporal depende de quão afastadas podem estar duas marcas e ainda contarem como a mesma.

• ELAN tem um cálculo de fiabilidade entre anotadores integrado: um κ de Cohen modificado que liga anotações que se sobrepõem num mínimo definido, e o algoritmo Staccato, que tem em conta o acaso comparando uma segmentação com segmentações geradas aleatoriamente.
• BORIS calcula o κ de Cohen entre duas observações, emparelhando eventos dentro de uma janela temporal que por omissão é de dez segundos.
• Potato compara cada par de anotadores em IoU temporal, F1 de deteção e uma pontuação de concordância global que dá metade do crédito a segmentos emparelhados com rótulos diferentes, tudo num único limiar de correspondência. Nenhuma destas medidas tem ainda uma linha de base de acaso, e a sua documentação di-lo. Veja Concordância ao longo do tempo.
• O motor de consenso do CVAT compara anotadores com IoU bruta face a um limiar por classe.

Para trajetórias e máscaras, o Potato compara as máscaras fotograma a fotograma com consenso de máscaras e STAPLE, e as caixas com a concordância geométrica descrita em Como medir a concordância entre anotadores em caixas delimitadoras.

Formatos

O Potato exporta MOT para trajetórias, 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 seguimento 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 aos anotadores avançar fotograma a fotograma, e auto_advance_frames define o tamanho do salto de Track forward.

O que o Potato não faz com vídeo

• Ainda sem atributos por objeto. Uma trajetória leva um rótulo. As marcas de oclusão e truncagem precisam de um esquema complementar.
• Sem propagação de máscaras no navegador. A propagação com o SAM 2 corre no servidor.
• Sem anotadores geridos. Traga os seus ou recrute-os no Prolific.

Verificado na documentação de cada projeto em agosto e setembro de 2026.

Perguntas frequentes

Qual é a melhor ferramenta gratuita de anotação de vídeo?

Para seguir objetos em grande volume, o CVAT é gratuito, maduro e alojado localmente. Para codificar comportamento ou fala ao longo do tempo, o ELAN e o BORIS são ferramentas de secretária gratuitas. Para um estudo em que vários anotadores rotulam os mesmos vídeos no navegador e a concordância tem de ser reportada, o Potato inclui isso sem custo.

Que ferramentas de anotação de vídeo interpolam entre fotogramas-chave?

O modo de trajetória do CVAT interpola linearmente retângulos, polígonos e pontos entre fotogramas-chave. O modo de seguimento do Potato interpola caixas e polígonos. O V7 e o Supervisely interpolam e também propagam máscaras com um modelo. O VideoRectangle do Label Studio segue caixas.

O que devo usar para codificar comportamento em vídeo?

O BORIS e o ELAN são as ferramentas gratuitas estabelecidas, e ambas calculam a fiabilidade entre codificadores: o ELAN entre pares de camadas, o BORIS como κ de Cohen entre duas observações. Para um esquema de codificação aplicado por vários codificadores no navegador, recrutados e formados online, servem os segmentos temporais do Potato. O seu relatório de concordância em segmentos dá a sobreposição e a deteção num único limiar de correspondência, sem correção para o acaso.

Que ferramentas de anotação de vídeo calculam a fiabilidade entre codificadores?

O ELAN oferece um κ de Cohen modificado e o algoritmo Staccato entre pares de camadas. O BORIS calcula o κ de Cohen entre duas observações dentro de uma janela temporal. O Potato reporta o IoU temporal e o F1 de deteção em segmentos, sem correção para o acaso, e a concordância em trajetórias e máscaras face a uma linha de base para o acaso. O CVAT compara as formas dos anotadores por IoU face a um limiar, e o Label Studio reserva a concordância para os planos pagos.

Como se mede a concordância em anotações de vídeo?

Para eventos, emparelhe os segmentos de cada anotador dentro de uma tolerância e reporte a sobreposição, a concordância nos limites e a concordância nos rótulos, de preferência para várias tolerâncias, porque concordância a um quarto de segundo e a dois segundos são afirmações diferentes. Para trajetórias, compare as formas fotograma a fotograma, com IoU para caixas e máscaras.

Onde corre a propagação de máscaras de vídeo no Potato?

No servidor, com o SAM 2. O navegador tem uma via mais leve que copia uma máscara para o fotograma seguinte sem o modelo.

Leituras adicionais

• Ferramentas de anotação com IA, comparadas, todos os tipos de dados numa página
• Ferramentas de anotação de texto comparadas
• Ferramentas de anotação de áudio comparadas
• Ferramentas de anotação de imagens comparadas
• Ferramentas de avaliação de agentes de IA comparadas
• Ferramentas de avaliação de modelos de mundo e episódios de robôs comparadas
• Como anotar o seguimento de objetos em vídeo