Comparatif des outils d'annotation de nuages de points : solutions libres et payantes pour le LiDAR

La plupart des outils d'annotation 3D dessinent des cuboïdes et les suivent d'une image à l'autre ; ils diffèrent surtout par les formats de nuage de points qu'ils lisent et par le fait que la fusion de capteurs coûte ou non un supplément. La différence la plus nette porte sur la mesure. Pour les autres outils comparés ici, examinés le 2026-09-24, toute statistique d'accord que décrit leur documentation se limite aux types 2D, si bien qu'un projet ayant besoin d'un accord corrigé du hasard sur des boîtes 3D dispose de peu d'options.

Annoter un nuage de points consiste à poser des étiquettes sur des données 3D éparses et échantillonnées de façon irrégulière, généralement issues d'un LiDAR. Comment annoter des nuages de points 3D traite du problème d'annotation lui-même, y compris la représentation de la rotation et les raisons pour lesquelles une approximation de l'accord alignée sur les axes induit en erreur. Cette page compare les outils.

Cette page ne couvre que la 3D. Comparatif des outils d'annotation couvre tous les types de données sur une seule page.

Capacités côte à côte

Chaque entrée a été lue dans la documentation de l'outil lui-même le 2026-09-24. Un tiret signifie que la documentation ne décrit pas la capacité, ce qui n'équivaut pas à un refus de l'outil.

LAZ est le format qui impose le plus souvent une étape de conversion. Supervisely le lit directement. La documentation de Segments.ai ne liste que LAS 1.4 non compressé, et Potato demande de décompresser d'abord le fichier LAZ avec laszip ou d'installer laspy[laszip].

Accord sur les étiquettes 3D

Trois outils présentés ici rapportent une statistique d'accord, et tous trois la limitent à la 2D. La documentation de CVAT est explicite : elle indique que « l'estimation de la qualité ne prend en charge que les tâches 2d » (« quality estimation only supports 2d tasks ») et qu'elle « prend en charge tous les types d'annotation sauf les cuboïdes 2d » (« supports all the annotation types except 2d cuboids »). Le consensus d'étiquetage de Supervisely fonctionne avec les boîtes englobantes, les masques, les polygones et les balises d'image ou d'objet, et son score est une similarité par paires de 0 à 100 pour cent plutôt qu'un coefficient corrigé du hasard. Le tableau de prise en charge du consensus de Labelbox liste les types image, vidéo, texte, chat, audio, géospatial, document et HTML, sans entrée 3D.

La documentation des autres outils ne mentionne pas l'accord entre annotateurs sur des étiquettes 3D. Voyez-y une absence de documentation plutôt qu'une affirmation sur le code.

Cet écart compte parce que l'accord sur la géométrie n'est pas le même problème que l'accord sur les étiquettes. Deux annotateurs qui marquent tous deux une voiture divergent par degrés et non de façon catégorique : la mesure doit donc d'abord apparier les boîtes entre elles, puis demander si la variation restante dépasse le hasard. Potato calcule cela sur des boîtes 3D avec une IoU 3D pivotée exacte. Le guide des nuages de points met en garde contre l'approximation alignée sur les axes pour la même raison, car une approximation rapporte un désaccord qui est un artefact de la mesure.

La fusion de capteurs et son coût

Projeter les étiquettes entre le nuage de points et les images de caméra, c'est ainsi qu'un annotateur vérifie un travail qui paraît correct en vue de dessus et se trouve à plusieurs mètres près le long de l'axe de visée. La capacité est courante et le prix qui y est attaché varie beaucoup.

Segments.ai projette automatiquement les cuboïdes 3D sur les images de caméra et conserve l'identifiant de piste d'un capteur à l'autre, la fusion de capteurs étant réservée à son palier Fusion. Supervisely projette les couleurs du contexte photo sur les points 3D pour chaque image d'un épisode, le LiDAR 3D et la fusion de capteurs figurant sous Enterprise et plusieurs outils d'assistance derrière un module Cloud Max. Scale reprojette les cuboïdes dans des vues caméra 2D et propose un type de tâche Lidar Linking pour corriger ces projections. CVAT affiche des images de contexte à côté du nuage, et sa documentation ne décrit pas de projection d'étiquettes entre les deux.

Potato accepte une calibration de caméra par élément, de sorte que chaque boîte 3D se projette dans les images et peut être vérifiée en 2D : la même étape de vérification, sans palier tarifaire attaché.

Options open source

Plusieurs des outils présentés ici sont open source et gratuits à auto-héberger, et ils conviennent à des travaux différents. CVAT est la plateforme généraliste la plus complète, avec cuboïdes et pistes interpolées. Xtreme1 est sous Apache 2.0, avec fusion 2D et 3D et un outil de séries d'images, et ne lit que .pcd. SUSTechPOINTS est sous GPL-3.0 et se concentre sur l'édition de boîtes à 9 degrés de liberté avec changement automatique de caméra. point_labeler est sous MIT et c'est l'outil avec lequel SemanticKITTI a été étiqueté ; il fait de l'étiquetage sémantique et d'instances point par point sur des séquences KITTI plutôt que des boîtes.

La position de Label Studio mérite d'être énoncée avec soin. Sa référence des balises open source ne liste aucune balise d'objet nuage de points, et le LiDAR est proposé comme une interface Enterprise décrite dans le blog et les documents de presse de HumanSignal plutôt que dans la documentation de référence.

Une tâche 3D dans Potato

Les outils 3D de Potato sont cuboid_3d, point_3d, polyline_3d et segment_3d, ce dernier peignant les étiquettes directement sur les points.

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 choisit les modes de dessin dont dispose l'annotateur : une tâche qui n'a besoin que de boîtes ne propose donc pas la peinture de points. Le rendu par niveau de détail est activé par défaut, et c'est ce qui garde interactif un nuage de plusieurs millions de points dans un navigateur.

Questions fréquentes

Les questions ci-dessous correspondent à des recherches que le site reçoit déjà pour l'annotation de nuages de points.

Quel outil d'annotation de nuages de points choisir ?

Choisissez d'après les formats et la mesure plutôt que d'après les outils de dessin, car tous les outils présentés ici dessinent des cuboïdes. Si vos données sont en LAZ, Supervisely les lit sans conversion. S'il vous faut la fusion de capteurs sans palier supplémentaire, CVAT affiche des images de contexte et Potato projette les boîtes dans des vues caméra calibrées. Si vous devez rapporter l'accord entre annotateurs sur des boîtes 3D, vérifiez que l'outil mesure la géométrie et non les étiquettes, puisque les fonctions d'accord documentées dans ce comparatif se limitent à la 2D.

Existe-t-il un outil open source d'annotation de nuages de points 3D ?

Oui, et il en existe plusieurs, avec des points forts différents. CVAT, Xtreme1 (Apache 2.0), SUSTechPOINTS (GPL-3.0), labelCloud (GPL-3.0), point_labeler (MIT) et Potato sont tous gratuits à auto-héberger. point_labeler travaille point par point plutôt que par boîtes et a servi à étiqueter SemanticKITTI, tandis que les autres sont centrés sur les cuboïdes.

Pour aller plus loin

• Comment annoter des nuages de points 3D traite des formats, de la calibration et de l'IoU 3D pivotée.
• Mesurer l'accord sur les boîtes englobantes traite du cas 2D.
• Comparatif des outils d'annotation couvre tous les types de données sur une seule page.

Vérifié dans la documentation, la page tarifaire et le dépôt de chaque projet le 2026-09-24. Si une cellule est fausse, signalez-le-nous.