Images Dataset Studio: montar, limpar e exportar dataset de imagem localmente

TL;DR

• É ferramenta local para montar, limpar, revisar, anotar, versionar e exportar dataset de imagem — e não treina modelo.
• O arquivo original fica seguro, a checagem automática fica explicável, e a decisão final sobre o dataset fica com uma pessoa.
• A importação cobre pasta, ZIP, ImageFolder, YOLO, COCO, Pascal VOC, ImageNet e manifesto de URL, preservando caminho de origem, bytes originais, SHA-256, hash perceptual, dimensões e EXIF.
• A exportação cobre ImageFolder, COCO, YOLO, JSONL, CSV e Parquet, com versão imutável e diff.

O que é e para quem

O Images Dataset Studio é um app local para a parte sem glamour da visão computacional: transformar uma pasta de imagens num dataset que uma equipe de anotação ou um treinador consiga usar de verdade. O README declara a fronteira com clareza — não treina modelo e não esconde ação destrutiva dentro de um pipeline opaco.

É para quem tem três mil imagens e nenhuma ideia de quais estão borradas, duplicadas, são screenshot, têm marca d'água ou estão corrompidas; para a equipe que precisa de COCO ou YOLO a partir de imagens espalhadas em pastas; e para quem já perdeu a conta de quais imagens foram revisadas.

Importação e o que é preservado

A importação aceita pasta, ZIP, ImageFolder, YOLO, COCO, Pascal VOC, ImageNet e manifesto de URL. Toda importação preserva caminho de origem, bytes originais, hash SHA-256, hash perceptual, dimensões, miniatura e metadados EXIF. Preservar o hash perceptual é o que torna a detecção de quase duplicata possível depois sem reler cada arquivo.

Revisão, duplicatas e decisões

A revisão de qualidade cobre blur, exposição, contraste, entropia, resolução, proporção, escala de cinza, screenshot, marca d'água e arquivo corrompido. O achado chega como problema, não como exclusão: duplicata exata e quase duplicata são encontradas sem nada ser apagado automaticamente, e toda decisão é reversível — keep, review, quarantine, reject e restore.

Cada imagem pode ser inspecionada com histograma RGB, fatos do arquivo, metadados EXIF adaptativos, rótulos, problemas de qualidade e decisões. Esse inspetor responde "por que esta foi marcada", que é a pergunta que a maioria das ferramentas de dataset deixa sem resposta.

Anotar e gerar

A anotação cobre classificação, caixa delimitadora, polígono, máscara e keypoint. O conteúdo gerado — legenda, sugestão de rótulo, resultado de OCR, detecção, máscara e problema de PII — vem por plugin local ou provedor de nuvem opt-in, e busca por texto ou imagem de referência funciona quando o provider opcional de embedding está instalado.

A camada de provider é honesta por projeto: Settings → Functions & Models deixa o operador escolher modelo local ou provedor de nuvem de forma independente para pré-anotação, legenda e varredura de PII, cada função com seu próprio model ID. Chave de API é escrita só na UI e nunca devolvida pela API, e o servidor local as guarda em data/provider-settings.json com permissão só do dono quando a plataforma suporta. Variável de ambiente continua valendo para deploy headless.

O status do provider é exposto em GET /api/providers, e provider indisponível falha o job com explicação acionável em vez de devolver resultado falso.

Versões e exportação

As versões são imutáveis, com manifesto, checksums, diff e restauração — então um experimento num subconjunto nunca sobrescreve o que você tinha. A exportação cobre ImageFolder, COCO, YOLO, JSONL, CSV e Parquet.

Como instalar

Python 3.11+, uv, Node 20+ ou Bun, e macOS, Linux ou Windows. SQLite é o banco local padrão, e suporte a GPU é opcional, só para providers locais selecionados.

git clone https://github.com/artificialguybr/images-dataset-studio.git
cd images-dataset-studio
python tools/setup.py
cp .env.example .env       # macOS/Linux; no Windows, copie à mão
python tools/start.py

A UI abre em http://127.0.0.1:5199 e a API em http://127.0.0.1:8766. No PowerShell do Windows: py tools\setup.py, Copy-Item .env.example .env, py tools\start.py. O setup.py instala dependência do backend com uv e do frontend com Bun ou npm; o start.py sobe os dois serviços e trata Ctrl+C em qualquer sistema.

O launcher ids-studio.sh continua disponível quando se prefere preview FastAPI de processo único — use IDS_PORT para mudar a porta. O launcher Python multiplataforma é o padrão recomendado porque mantém a API e o servidor de desenvolvimento Vite separados.

Também há um servidor MCP stdio: suba a API, configure o cliente MCP com mcp-config.example.json trocando o cwd pelo caminho do repositório e rode uv run python -m backend.mcp_server.

Quando usar, quando não usar

Use quando uma pasta de imagens precisa virar dataset COCO ou YOLO com trilha de auditoria, quando um crawl deixou quase duplicata e screenshot misturados, ou quando dois anotadores trabalharam no mesmo conjunto e os rótulos já não concordam.

Não use para treinar ou avaliar modelo, e não espere que ele decida anotação por você — caixa, polígono e máscara são seus, e legenda gerada é sugestão. Também não use como plataforma de anotação com cota por pessoa: ele gerencia um dataset e suas versões, não uma equipe.

Sources

1. Images Dataset Studio — repositório — recursos, requisitos, comandos de instalação, tabela de providers, setup de MCP citados acima.
2. README.md — comandos de instalação e execução, configuração de provider, licença (MIT).

Página do projeto: Images Dataset Studio

Para o mesmo fluxo no lado de modelo de linguagem, veja LLM Dataset Studio, e para o que um dataset de imagem precisa antes de treinar LoRA, criação automática de dataset.

O repositório tem licença MIT, e o arquivo original fica intacto, então decisão ruim é sempre reversível.

FAQ

Ele treina modelo? Não. O README diz que o Studio não treina modelo; ele monta, limpa, revisa, anota, versiona e exporta o dataset.

Ele apaga duplicata automaticamente? Não. Duplicata exata e quase duplicata são encontradas e reportadas, e as decisões keep, review, quarantine, reject e restore são reversíveis.

Posso usar modelo de visão na nuvem para legenda? Sim, por opção: Settings → Functions & Models deixa cada função escolher modelo local ou provedor de nuvem com model ID próprio, e a chave de API é só de escrita.

Quais formatos de exportação existem? ImageFolder, COCO, YOLO, JSONL, CSV e Parquet.