Punktwolken-Annotationswerkzeuge im Vergleich: Open-Source- und kostenpflichtige LiDAR-Werkzeuge

Die meisten 3D-Annotationswerkzeuge zeichnen Quader und verfolgen sie über Frames hinweg; sie unterscheiden sich vor allem darin, welche Punktwolkenformate sie lesen und ob Sensorfusion extra kostet. Der schärfere Unterschied liegt bei der Messung. Bei den übrigen hier verglichenen Werkzeugen, geprüft am 2026-09-24, ist jede Übereinstimmungsstatistik, die ihre Dokumentation beschreibt, auf 2D-Typen beschränkt, sodass ein Projekt, das zufallskorrigierte Übereinstimmung über 3D-Boxen braucht, wenig Auswahl hat.

Punktwolken-Annotation bedeutet, Labels auf dünn besetzte, ungleichmäßig abgetastete 3D-Daten zu setzen, meist aus LiDAR. Wie man 3D-Punktwolken annotiert behandelt das Annotationsproblem selbst, einschließlich der Rotationsdarstellung und warum eine achsenparallele Näherung der Übereinstimmung in die Irre führt. Diese Seite vergleicht die Werkzeuge.

Diese Seite behandelt nur 3D. Annotationswerkzeuge im Vergleich behandelt alle Datentypen auf einer Seite.

Funktionen nebeneinander

Jeder Eintrag wurde am 2026-09-24 aus der Dokumentation des jeweiligen Werkzeugs gelesen. Ein Strich bedeutet, dass die Dokumentation die Funktion nicht beschrieben hat, was nicht dasselbe ist, wie wenn das Werkzeug sie verweigert.

LAZ ist das Format, das am häufigsten einen Konvertierungsschritt erzwingt. Supervisely liest es direkt. Die Dokumentation von Segments.ai führt nur LAS 1.4 unkomprimiert auf, und Potato verlangt, dass Sie eine LAZ-Datei zuerst mit laszip entpacken oder laspy[laszip] installieren.

Übereinstimmung über 3D-Labels

Drei Werkzeuge hier berichten überhaupt eine Übereinstimmungsstatistik, und alle drei beschränken sie auf 2D. Die Dokumentation von CVAT ist ausdrücklich und sagt, dass "die Qualitätsschätzung nur 2D-Aufgaben unterstützt" ("quality estimation only supports 2d tasks") und dass sie "alle Annotationstypen außer 2D-Quadern unterstützt" ("supports all the annotation types except 2d cuboids"). Der Labeling-Konsens von Supervisely arbeitet mit Bounding-Boxen, Masken, Polygonen sowie Bild- oder Objekt-Tags, und sein Score ist eine paarweise Ähnlichkeit von 0 bis 100 Prozent statt eines zufallskorrigierten Koeffizienten. Die Konsens-Übersichtstabelle von Labelbox führt Bild-, Video-, Text-, Chat-, Audio-, Geodaten-, Dokument- und HTML-Typen auf, ohne einen 3D-Eintrag.

Die Dokumentation der übrigen Werkzeuge erwähnt keine Übereinstimmung zwischen Annotierenden über 3D-Labels. Behandeln Sie das als Fehlen von Dokumentation und nicht als Aussage über den Code.

Die Lücke ist wichtig, weil Übereinstimmung über Geometrie nicht dasselbe Problem ist wie Übereinstimmung über Labels. Zwei Annotierende, die beide ein Auto markieren, weichen graduell voneinander ab statt kategorisch, also muss das Maß die Boxen zuerst einander zuordnen und dann fragen, ob die verbleibende Variation den Zufall übersteigt. Potato berechnet das über 3D-Boxen mit exaktem rotiertem 3D-IoU. Der Punktwolken-Leitfaden warnt aus demselben Grund vor der achsenparallelen Näherung, weil eine Näherung Uneinigkeit meldet, die ein Artefakt des Maßes ist.

Sensorfusion und was sie kostet

Labels zwischen der Punktwolke und den Kamerabildern zu projizieren, ist die Art, wie Annotierende Arbeit prüfen, die in der Vogelperspektive korrekt aussieht und entlang der Blickachse Meter danebenliegt. Die Funktion ist verbreitet, und der Preis dafür schwankt stark.

Segments.ai projiziert 3D-Quader automatisch auf Kameraframes und erhält dabei die Track-ID über Sensoren hinweg, wobei Sensorfusion an seine Fusion-Stufe gebunden ist. Supervisely projiziert Fotokontext-Farben über jedes Frame einer Episode hinweg auf die 3D-Punkte, wobei 3D-LiDAR und Sensorfusion unter Enterprise aufgeführt sind und mehrere der Assistenzwerkzeuge hinter einem Cloud-Max-Add-on liegen. Scale projiziert Quader in 2D-Kameraansichten zurück und bietet einen Aufgabentyp Lidar Linking zum Korrigieren dieser Projektionen. CVAT zeigt Kontextbilder neben der Wolke an, und seine Dokumentation beschreibt keine Projektion von Labels zwischen beiden.

Potato nimmt eine Kamerakalibrierung pro Element entgegen, sodass jede 3D-Box in die Bilder projiziert und in 2D geprüft werden kann, also derselbe Prüfschritt ohne angehängte Tarifstufe.

Open-Source-Optionen

Mehrere der Werkzeuge hier sind Open Source und kostenlos selbst zu hosten, und sie eignen sich für unterschiedliche Aufgaben. CVAT ist die vollständigste allgemeine Plattform, mit Quadern und interpolierten Tracks. Xtreme1 steht unter Apache 2.0, bietet 2D- und 3D-Fusion und ein Frame-Serien-Werkzeug und liest nur .pcd. SUSTechPOINTS steht unter GPL-3.0 und konzentriert sich auf die Bearbeitung von Boxen mit 9 Freiheitsgraden samt automatischem Kamerawechsel. point_labeler steht unter MIT und ist das Werkzeug, mit dem SemanticKITTI gelabelt wurde; es macht punktweises semantisches und Instanz-Labeling über KITTI-Sequenzen statt Boxen.

Die Position von Label Studio sollte man sorgfältig formulieren. Seine Open-Source-Tag-Referenz führt kein Punktwolken-Objekt-Tag auf, und LiDAR wird als Enterprise-Oberfläche angeboten, die im Blog und Pressematerial von HumanSignal beschrieben ist statt in der Referenzdokumentation.

Eine 3D-Aufgabe in Potato

Die 3D-Werkzeuge von Potato sind cuboid_3d, point_3d, polyline_3d und segment_3d, wobei das letzte Labels direkt auf Punkte malt.

annotation_schemes:
  - annotation_type: spatial_annotation
    name: traffic_objects
    description: "Draw a 3D box around each vehicle and pedestrian"
    tools:
      - cuboid_3d
    labels:
      - car
      - pedestrian
      - cyclist

tools wählt aus, welche Zeichenmodi die annotierende Person bekommt, sodass eine Aufgabe, die nur Boxen braucht, kein Punktmalen anbietet. Level-of-Detail-Rendering ist standardmäßig an, und das hält eine Wolke aus mehreren Millionen Punkten im Browser bedienbar.

Häufig gestellte Fragen

Die folgenden Fragen entsprechen Suchanfragen, die die Seite für Punktwolken-Annotation bereits erhält.

Welches Punktwolken-Annotationswerkzeug soll ich nehmen?

Entscheiden Sie nach Formaten und Messung statt nach Zeichenwerkzeugen, denn jedes Werkzeug hier zeichnet Quader. Wenn Ihre Daten LAZ sind, liest Supervisely sie ohne Konvertierung. Wenn Sie Sensorfusion ohne zusätzliche Tarifstufe brauchen, zeigt CVAT Kontextbilder und Potato projiziert Boxen in kalibrierte Kameraansichten. Wenn Sie Übereinstimmung zwischen Annotierenden auf 3D-Boxen berichten müssen, prüfen Sie, ob das Werkzeug Geometrie statt Labels misst, da die dokumentierten Übereinstimmungsfunktionen in diesem Vergleich auf 2D beschränkt sind.

Gibt es ein Open-Source-Werkzeug für 3D-Punktwolken-Annotation?

Ja, und es gibt mehrere mit unterschiedlichen Stärken. CVAT, Xtreme1 (Apache 2.0), SUSTechPOINTS (GPL-3.0), labelCloud (GPL-3.0), point_labeler (MIT) und Potato lassen sich alle kostenlos selbst hosten. point_labeler arbeitet punktweise statt boxbasiert und wurde zum Labeln von SemanticKITTI benutzt, während die anderen Quader in den Mittelpunkt stellen.

Weiterführende Literatur

• Wie man 3D-Punktwolken annotiert behandelt Formate, Kalibrierung und rotiertes 3D-IoU.
• Übereinstimmung bei Bounding-Boxen messen behandelt den 2D-Fall.
• Annotationswerkzeuge im Vergleich behandelt alle Datentypen auf einer Seite.

Geprüft anhand der Dokumentation, Preisseite und des Repositorys jedes Projekts am 2026-09-24. Wenn eine Zelle falsch ist, sagen Sie uns Bescheid.