Comparación de herramientas de anotación de nubes de puntos: opciones libres y de pago para LiDAR

La mayoría de las herramientas de anotación 3D dibujan cuboides y los siguen entre fotogramas, y se diferencian sobre todo en qué formatos de nube de puntos leen y en si la fusión de sensores cuesta aparte. La diferencia más marcada está en la medición. En las demás herramientas comparadas aquí, revisadas el 2026-09-24, toda estadística de concordancia que describe su documentación se limita a tipos 2D, así que un proyecto que necesite concordancia corregida por azar sobre cajas 3D tiene pocas opciones.

Anotar una nube de puntos consiste en colocar etiquetas sobre datos 3D dispersos y muestreados de forma irregular, normalmente procedentes de LiDAR. Cómo anotar nubes de puntos 3D trata el problema de anotación en sí, incluida la representación de la rotación y por qué una aproximación de concordancia alineada con los ejes induce a error. Esta página compara las herramientas.

Esta página cubre solo 3D. Comparación de herramientas de anotación cubre todos los tipos de datos en una sola página.

Capacidades una al lado de otra

Cada entrada se leyó de la documentación de la propia herramienta el 2026-09-24. Un guion significa que la documentación no describió la capacidad, lo que no es lo mismo que la herramienta la rechace.

LAZ es el formato que más a menudo obliga a un paso de conversión. Supervisely lo lee directamente. La documentación de Segments.ai lista solo LAS 1.4 sin comprimir, y Potato pide descomprimir antes el archivo LAZ con laszip o instalar laspy[laszip].

Concordancia sobre etiquetas 3D

Tres herramientas de aquí informan de alguna estadística de concordancia, y las tres la limitan a 2D. La documentación de CVAT es explícita: dice que "la estimación de calidad solo admite tareas 2d" ("quality estimation only supports 2d tasks") y que "admite todos los tipos de anotación excepto los cuboides 2d" ("supports all the annotation types except 2d cuboids"). El consenso de etiquetado de Supervisely funciona con cajas delimitadoras, máscaras, polígonos y etiquetas de imagen o de objeto, y su puntuación es una similitud por pares de 0 a 100 por ciento, no un coeficiente corregido por azar. La tabla de soporte de consenso de Labelbox lista tipos de imagen, vídeo, texto, chat, audio, geoespaciales, documento y HTML, sin ninguna entrada 3D.

La documentación de las demás herramientas no menciona la concordancia entre anotadores sobre etiquetas 3D. Tómelo como ausencia de documentación y no como una afirmación sobre el código.

El hueco importa porque la concordancia sobre geometría no es el mismo problema que la concordancia sobre etiquetas. Dos anotadores que marcan ambos un coche discrepan por grados y no de forma categórica, así que la medida tiene que emparejar primero las cajas entre sí y luego preguntar si la variación restante supera el azar. Potato lo calcula sobre cajas 3D usando IoU 3D rotado exacto. La guía de nubes de puntos advierte contra la aproximación alineada con los ejes por la misma razón, porque una aproximación informa de un desacuerdo que es un artefacto de la medida.

La fusión de sensores y lo que cuesta

Proyectar las etiquetas entre la nube de puntos y las imágenes de cámara es la forma en que un anotador revisa un trabajo que parece correcto en vista cenital y está a metros de distancia a lo largo del eje de visión. La capacidad es habitual y el precio asociado varía mucho.

Segments.ai proyecta los cuboides 3D sobre los fotogramas de cámara automáticamente y conserva el identificador de track entre sensores, con la fusión de sensores reservada a su nivel Fusion. Supervisely proyecta los colores del contexto fotográfico sobre los puntos 3D en todos los fotogramas de un episodio, con el LiDAR 3D y la fusión de sensores listados en Enterprise y varias herramientas de asistencia tras un complemento Cloud Max. Scale reproyecta los cuboides en vistas de cámara 2D y ofrece un tipo de tarea Lidar Linking para corregir esas proyecciones. CVAT muestra imágenes de contexto junto a la nube, y su documentación no describe proyectar etiquetas entre ambas.

Potato recibe la calibración de cámara por elemento, de modo que cada caja 3D se proyecta en las imágenes y puede revisarse en 2D, que es el mismo paso de verificación sin un nivel de pago asociado.

Opciones de código abierto

Varias de las herramientas de aquí son de código abierto y gratuitas para autoalojar, y sirven para trabajos distintos. CVAT es la plataforma general más completa, con cuboides y tracks interpolados. Xtreme1 es Apache 2.0, con fusión 2D y 3D y una herramienta de series de fotogramas, y lee solo .pcd. SUSTechPOINTS es GPL-3.0 y se centra en la edición de cajas con 9 grados de libertad y cambio automático de cámara. point_labeler es MIT y es la herramienta con la que se etiquetó SemanticKITTI, haciendo etiquetado semántico y de instancias punto a punto sobre secuencias KITTI en lugar de cajas.

La posición de Label Studio conviene enunciarla con cuidado. Su referencia de etiquetas de código abierto no lista ninguna etiqueta de objeto de nube de puntos, y LiDAR se ofrece como una interfaz Enterprise descrita en el blog y el material de prensa de HumanSignal más que en la documentación de referencia.

Una tarea 3D en Potato

Las herramientas 3D de Potato son cuboid_3d, point_3d, polyline_3d y segment_3d, esta última pinta etiquetas directamente sobre los puntos.

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 selecciona qué modos de dibujo recibe el anotador, así que una tarea que solo necesita cajas no ofrece pintado de puntos. El renderizado por nivel de detalle está activado por defecto, y es lo que mantiene interactiva en el navegador una nube de varios millones de puntos.

Preguntas frecuentes

Las preguntas siguientes corresponden a búsquedas que el sitio ya recibe sobre anotación de nubes de puntos.

¿Qué herramienta de anotación de nubes de puntos debería usar?

Elija por formatos y por medición más que por herramientas de dibujo, porque todas las de aquí dibujan cuboides. Si sus datos son LAZ, Supervisely los lee sin conversión. Si necesita fusión de sensores sin un nivel extra, CVAT muestra imágenes de contexto y Potato proyecta las cajas en vistas de cámara calibradas. Si tiene que informar de la concordancia entre anotadores sobre cajas 3D, compruebe que la herramienta mida geometría y no etiquetas, ya que las funciones de concordancia documentadas en esta comparación se limitan a 2D.

¿Existe alguna herramienta de código abierto para anotar nubes de puntos 3D?

Sí, y hay varias con puntos fuertes distintos. CVAT, Xtreme1 (Apache 2.0), SUSTechPOINTS (GPL-3.0), labelCloud (GPL-3.0), point_labeler (MIT) y Potato son todas gratuitas para autoalojar. point_labeler trabaja punto a punto en vez de con cajas y se usó para etiquetar SemanticKITTI, mientras que las demás se centran en cuboides.

Lecturas adicionales

• Cómo anotar nubes de puntos 3D trata formatos, calibración e IoU 3D rotado.
• Medir la concordancia en cajas delimitadoras trata el caso 2D.
• Comparación de herramientas de anotación cubre todos los tipos de datos en una sola página.

Revisado con la documentación, la página de precios y el repositorio de cada proyecto el 2026-09-24. Si alguna celda está mal, díganoslo.