# Después de anotar ¡Has terminado de anotar tu dataset! 🎉
Annotation Finished

¡YAY!

Un dataset de alta calidad es consistente. Puedes seguir este documento para realizar una auditoría rápida de tus anotaciones antes de pasar al entrenamiento. *** ## Comprobación Rápida con los Dataset Filters En la Image Annotation Window, usa el menú desplegable de filtros para aislar estados específicos de etiquetado. | Filtro | Lógica | Qué revisar | | ------------- | ------------------- | ----------------------------------------------------------------------- | | **All** | Total dataset | Visión general del volumen del proyecto. | | **Annotated** | ≥1 Bounding Box | Asegúrate de que los cuadros estén ceñidos y las clases sean correctas. | | **Empty** | Background/Negative | **Crítico:** Confirma que realmente no contengan objetos. | | **Excluded** | No annotation file | Asegúrate de que no se haya ocultado accidentalmente datos utilizables. | {% hint style="info" %} **Fallo común:** Tener imágenes "Empty" que en realidad contienen objetos confundirá al modelo. Si hay un objeto, debe estar etiquetado o la imagen debe estar marcada como "Excluded". {% endhint %} *** ## Revisión Rápida: Atajos de Teclado Estos atajos permiten auditar rápidamente sin salir del lienzo. ### Navegación y Selección de Clases * `D` / `A`: Imagen siguiente / anterior. * `Shift + D` / `Shift + A`: Saltar 10 imágenes hacia adelante/atrás. * `S` / `W`: Clase siguiente / anterior. * `Shift + S` / `Shift + W`: Saltar clases de 3 en 3. * `H` (Mantener): Ocultar temporalmente las anotaciones para ver la imagen en bruto. ### Etiquetado y Gestión de Archivos * `O`: **Mark as Background** (Crea/limpia un archivo de anotación vacío). * `P`: **Exclude Image** (Elimina el archivo de anotación). * `X`: Eliminar el último bounding box. * `Shift + C`: Borrar todos los cuadros en la imagen actual. * `M`: Mover imagen + anotación a una subcarpeta `/moved` (Folder Mode). * `Shift + Delete`: **Eliminar permanentemente** imagen + anotación. *** ## Herramientas de Análisis Avanzado ### A) Class Frequency Analysis Abre **Tools → Class Frequency Analysis** para visualizar la distribución de tus datos. * **Clases raras:** Si una clase es significativamente menor que las demás, el modelo puede ignorarla. * **Clases dominantes:** Si una clase constituye la mayor parte de los datos, el modelo puede sobrepredecirla. Si detectas desequilibrios, considera recolectar más datos para las clases raras o eliminar algunos ejemplos redundantes de las clases dominantes. Otra opción es usar técnicas de data augmentation para aumentar artificialmente la variedad de las clases poco representadas. ### B) Reconocimiento de Patrones Atento a estos problemas de "Calidad de Anotación" durante la revisión: * **Cuadros holgados (Loose Boxes):** Mucho fondo dentro del cuadro. * **Estilo inconsistente:** Mezcla de cuadros ceñidos y holgados en la misma clase. * **Faltan negativos:** No hay suficientes imágenes "Empty" para enseñar al modelo qué no es un objeto. *** ## Rutina de Auditoría 1. **Filtrar a Annotated:** Revisa \~20–50 imágenes repartidas por todo el conjunto (no solo la primera página). 2. **Filtrar a Empty:** Revisa \~10–20 imágenes para confirmar que estén realmente vacías. 3. **Chequeo de Excluded:** Asegúrate de que no haya datos de alta calidad sin uso. 4. **Pasada de casos límite:** Busca los objetos más pequeños, los peores brillos y el desenfoque por movimiento más intenso. *** ## Conjunto de Validación Selecciona 30–100 imágenes o clips de vídeo que representen desafíos del "mundo real" (mala iluminación, desorden, etc.). Mantén estos perfectamente etiquetados. Usa este conjunto como tu comprobación final de "realidad" antes de desplegar cualquier modelo en producción. {% hint style="danger" %} **Recordatorio de copia de seguridad:** Duplica siempre la carpeta de tu dataset antes de ejecutar operaciones por lotes o eliminaciones masivas. {% endhint %}