3D点云数据标注实战指南：从标注工具选型到避坑技巧

1次阅读

共计 1131 个字符，预计需要花费 3 分钟才能阅读完成。

在自动驾驶、机器人导航等场景中，3D 点云数据能精确描述物体在三维空间中的位置和形状。比如自动驾驶汽车通过激光雷达采集的点云数据，需要标注出行人、车辆、障碍物等目标物，才能让 AI 模型学会识别和避让。

工具选择困难：不同工具在操作逻辑、支持格式、协作功能上差异巨大
标注效率低下：手动逐帧标注耗时费力，且容易产生疲劳误差
质量难以控制：多人协作时标注标准不统一，后期修正成本高

Labelbox：
优点：支持团队协作、版本管理完善
缺点：定制化能力较弱，处理大点云有延迟
Supervisely：
优点：内置智能预标注功能
缺点：社区版功能有限
自定义工具：
优势：完全适配业务需求
挑战：开发维护成本高

预处理阶段：
点云去噪（统计滤波 / 半径滤波）
地面分割（RANSAC 算法）
标注阶段：
先标注关键帧（如每 5 帧选 1 帧）
使用插值算法自动生成中间帧
质检阶段：
交并比 (IoU) 检查
随机抽样人工复核

import open3d as o3d

# 加载点云
pcd = o3d.io.read_point_cloud("sample.pcd")

# 交互式标注
def pick_points(pcd):
    print("1. 按住 Shift+ 左键选择点")
    print("2. 按 Q 结束选择")
    vis = o3d.visualization.VisualizerWithEditing()
    vis.create_window()
    vis.add_geometry(pcd)
    vis.run()  # 用户交互
    vis.destroy_window()
    return vis.get_picked_points()

# 执行标注
selected_points = pick_points(pcd)
print(f"已标注 {len(selected_points)} 个点")

# 保存标注结果
with open("labels.txt", "w") as f:
    for idx in selected_points:
        f.write(f"{idx}\n")