Anotación YOLO de objetos pequeños en Ortofotos.

YOLO annotation of small objects in Orthophotos

Resumen Métricas disponibles Referencias Cómo citar

Resumen (es)

Este trabajo presenta una herramienta manual para la anotación en formato de anotación YOLO de objetos pequeños en ortofotos de alta resolución. La solución se implementó en Python con arquitectura modular, teselado dinámico para navegación fluida y persistencia inmediata de etiquetas (.txt homónimo por imagen). Su desempeño se validó en equipos con Windows 10/11 de gama media, y mediante una prueba práctica con 10 estudiantes que anotaron tapas de registro y marcas viales en campañas de dos jornadas. Los resultados evidencian un tiempo de inicio de la aplicación inferior a 3 segundos desde que el usuario ejecuta el archivo hasta que la interfaz gráfica está lista para trabajar, junto con estabilidad sin cierres inesperados y una experiencia de uso positiva (zoom fluido, líneas guía, deshacer), favoreciendo la consistencia del conjunto de entrenamiento. La herramienta reduce la fricción operativa respecto a anotadores genéricos al centrarse en el flujo geoespacial con ortofotos grandes y producir salidas compatibles con YOLO, lo cual agiliza la construcción de datasets para tareas de detección en infraestructura urbana.

Resumen (en)

This work presents a manual tool for YOLO-format annotation of small objects in high-resolution orthophotos. The solution was implemented in Python with a modular architecture, dynamic tiling for smooth navigation, and immediate label persistence (per-image homonymous .txt). Its performance was validated on mid-range Windows 10/11 workstations and through a practical test with 10 students who annotated manhole covers and road markings over two field-day sessions. Results show an application startup time of less than 3 seconds from execution to a fully operational graphical interface, as well as stable operation without unexpected crashes and a positive user experience (fluid zoom, crosshair guides, undo), contributing to consistent training datasets. The tool reduces operational friction compared to generic annotators by focusing on geospatial workflows with large orthophotos and producing YOLO-compatible outputs, thereby streamlining the creation of datasets for object detection in urban infrastructure applications.