3D数据标注实战指南：从工具选型到高效标注技巧

1次阅读

没有评论

共计 1992 个字符，预计需要花费 5 分钟才能阅读完成。

3D 数据标注作为计算机视觉和自动驾驶等领域的基础工作，直接影响后续模型的训练效果。但在实际项目中，开发者常常会遇到以下几个典型问题：

数据复杂性高 ：点云和网格数据比 2D 图像包含更多维度信息，标注一个物体需要考虑其在三维空间中的所有属性，导致单个样本的标注时间大幅增加。
工具兼容性差 ：不同标注工具对 3D 数据格式的支持各不相同，LAS、PLY、OBJ 等格式间的转换经常出现信息丢失或畸变。
协作效率低下 ：多人同时标注时，版本冲突频繁发生，标注标准不一致导致后期需要大量返工。

支持格式 ：LAS, PLY, OBJ
标注类型 ：3D Bounding Box, 语义分割, 关键点
扩展能力 ：提供完整的 REST API，支持自定义标注界面和工作流

支持格式 ：PLY, OBJ, PCD
标注类型 ：3D Bounding Box, 多边形标注
扩展能力 ：Python SDK 支持，可集成自定义算法

支持格式 ：LAS, PLY, OBJ, PCD
标注类型 ：3D BBox, 语义分割, 实例分割, 关键点
扩展能力 ：完善的 Python API，支持插件开发

matrixDiagram
    title 3D 标注工具对比
    axis 工具 功能
    Labelbox ["LAS/PLY/OBJ", "3D BBox/ 语义分割 / 关键点", "REST API"]
    CVAT ["PLY/OBJ/PCD", "3D BBox/ 多边形", "Python SDK"]
    Supervisely ["LAS/PLY/OBJ/PCD", "3D BBox/ 语义分割 / 实例分割 / 关键点", "Python API"]

通过 Python+Open3D 可以实现高效的自动化预标注，大幅减少人工标注工作量。以下是关键步骤的实现代码：

import open3d as o3d
import numpy as np
from sklearn.cluster import DBSCAN

# 1. 点云预处理
def preprocess_point_cloud(pcd_path):
    pcd = o3d.io.read_point_cloud(pcd_path)
    # 下采样
    downpcd = pcd.voxel_down_sample(voxel_size=0.05)
    # 去噪
    cl, ind = downpcd.remove_statistical_outlier(nb_neighbors=20, std_ratio=2.0)
    return cl

# 2. 候选区域生成
def generate_candidates(pcd):
    points = np.asarray(pcd.points)
    # 基于密度的聚类
    clustering = DBSCAN(eps=0.3, min_samples=10).fit(points)
    labels = clustering.labels_

    candidates = []
    for label in np.unique(labels):
        if label == -1:  # 忽略噪声
            continue
        mask = labels == label
        cluster_points = points[mask]
        # 生成 3D 边界框
        bbox = o3d.geometry.OrientedBoundingBox.create_from_points(o3d.utility.Vector3dVector(cluster_points)
        )
        candidates.append(bbox)
    return candidates

# 3. 可视化结果
def visualize_results(pcd, candidates):
    geometries = [pcd]
    geometries.extend(candidates)
    o3d.visualization.draw_geometries(geometries)