3D数据标注入门指南：从标注工具选择到高效标注实践

1次阅读

没有评论

共计 1392 个字符，预计需要花费 4 分钟才能阅读完成。

在自动驾驶、机器人导航、增强现实等领域，3D 数据标注是训练 AI 模型的关键环节。相比 2D 图像，3D 数据能提供深度信息，让计算机更准确地理解物体在真实世界中的空间关系。

自动驾驶：标注车辆、行人、交通标志的 3D 位置，帮助汽车判断距离和运动轨迹
AR/VR：标注虚拟物体的锚定点，实现虚实融合的精准定位
工业检测：标注零件三维尺寸缺陷，提高质检精度

Labelbox
优势：云端协作方便，支持点云和图像联合标注
适用场景：中大型团队的多模态标注项目
Supervisely
优势：内置 AI 辅助标注，支持自动预标注
适用场景：需要减少人工标注量的项目
CVAT
优势：开源免费，支持本地部署
适用场景：预算有限的小型团队或个人开发者

通过给激光雷达扫描的点集添加标签，常见标注类型包括：

语义分割（给每个点分类）
实例分割（区分同类物体的不同个体）

基于双目相机图像，通过视差计算深度信息后进行标注，需要注意：

左右视图的一致性校验
遮挡区域的处理策略

与 2D 框不同，需要标注 9 个参数：

中心点坐标(x,y,z)
长宽高尺寸
三个旋转角度（通常用欧拉角表示）

import open3d as o3d
import numpy as np

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

# 创建可视化窗口
vis = o3d.visualization.VisualizerWithEditing()
vis.create_window()
vis.add_geometry(pcd)

# 设置标注参数
params = {'box_size': [1.5, 1.8, 4.0],  # 典型轿车尺寸(长, 宽, 高)
    'label_color': [1,0,0]       # 红色标注框
}

# 开始交互式标注
vis.run()  # 按 K 进入标注模式
vis.destroy_window()

# 获取标注结果
annotations = vis.get_picked_points()
print(f"已标注 {len(annotations)} 个物体")

flowchart TD
    A[加载数据] --> B[初始化标注界面]
    B --> C{选择标注类型}
    C -->|3D 框 | D[框选物体]
    C -->| 多边形 | E[描点绘制]
    D --> F[调整尺寸 / 角度]
    E --> G[闭合多边形]
    F --> H[保存标注]
    G --> H