Strumenti di annotazione di nuvole di punti a confronto: soluzioni open source e a pagamento per il LiDAR

La maggior parte degli strumenti di annotazione 3D disegna cuboidi e li segue da un fotogramma all'altro, e si differenzia soprattutto per i formati di nuvola di punti che legge e per il fatto che la fusione di sensori costi o meno a parte. La differenza più netta riguarda la misurazione. Per gli altri strumenti confrontati qui, verificati il 2026-09-24, ogni statistica di accordo che la loro documentazione descrive è limitata ai tipi 2D, perciò un progetto che abbia bisogno dell'accordo corretto per il caso su box 3D ha poche opzioni.

Annotare una nuvola di punti significa collocare etichette su dati 3D sparsi e campionati in modo irregolare, di solito provenienti da LiDAR. Come annotare nuvole di punti 3D affronta il problema dell'annotazione in sé, compresa la rappresentazione della rotazione e il motivo per cui un'approssimazione dell'accordo allineata agli assi porta fuori strada. Questa pagina confronta gli strumenti.

Questa pagina riguarda solo il 3D. Strumenti di annotazione a confronto copre ogni tipo di dato in un'unica pagina.

Funzionalità a confronto

Ogni voce è stata letta dalla documentazione dello strumento stesso il 2026-09-24. Un trattino significa che la documentazione non descriveva la funzionalità, il che non equivale a dire che lo strumento la rifiuti.

LAZ è il formato che più spesso impone un passaggio di conversione. Supervisely lo legge direttamente. La documentazione di Segments.ai elenca solo LAS 1.4 non compresso, e Potato chiede di espandere prima il file LAZ con laszip oppure di installare laspy[laszip].

Accordo sulle etichette 3D

Tre strumenti qui presenti riportano una statistica di accordo, e tutti e tre la limitano al 2D. La documentazione di CVAT è esplicita: afferma che "la stima della qualità supporta solo attività 2d" ("quality estimation only supports 2d tasks") e che "supporta tutti i tipi di annotazione tranne i cuboidi 2d" ("supports all the annotation types except 2d cuboids"). Il consenso di etichettatura di Supervisely funziona con bounding box, maschere, poligoni e tag di immagine o di oggetto, e il suo punteggio è una similarità a coppie da 0 a 100 per cento anziché un coefficiente corretto per il caso. La tabella di supporto al consenso di Labelbox elenca tipi immagine, video, testo, chat, audio, geospaziale, documento e HTML, senza alcuna voce 3D.

La documentazione degli altri strumenti non menziona l'accordo tra annotatori sulle etichette 3D. Consideratelo un'assenza di documentazione e non un'affermazione sul codice.

Il divario conta perché l'accordo sulla geometria non è lo stesso problema dell'accordo sulle etichette. Due annotatori che segnano entrambi un'auto divergono per gradi e non in modo categorico, quindi la misura deve prima accoppiare i box tra loro e poi chiedersi se la variazione residua supera il caso. Potato lo calcola sui box 3D usando l'IoU 3D ruotata esatta. La guida alle nuvole di punti mette in guardia dall'approssimazione allineata agli assi per lo stesso motivo, perché un'approssimazione riporta un disaccordo che è un artefatto della misura.

La fusione di sensori e quanto costa

Proiettare le etichette tra la nuvola di punti e le immagini della camera è il modo in cui un annotatore controlla un lavoro che sembra corretto in vista dall'alto ed è sbagliato di metri lungo l'asse di vista. La funzionalità è diffusa e il prezzo che vi è associato varia molto.

Segments.ai proietta automaticamente i cuboidi 3D sui fotogrammi della camera e conserva l'ID della track tra i sensori, con la fusione di sensori riservata al suo livello Fusion. Supervisely proietta i colori del contesto fotografico sui punti 3D in ogni fotogramma di un episodio, con LiDAR 3D e fusione di sensori elencati sotto Enterprise e diversi strumenti di assistenza dietro un componente aggiuntivo Cloud Max. Scale riproietta i cuboidi in viste camera 2D e offre un tipo di attività Lidar Linking per correggere quelle proiezioni. CVAT mostra immagini di contesto accanto alla nuvola, e la sua documentazione non descrive la proiezione delle etichette tra le due.

Potato accetta una calibrazione della camera per ciascun elemento, così ogni box 3D si proietta nelle immagini e può essere controllato in 2D: lo stesso passaggio di verifica senza un livello tariffario collegato.

Opzioni open source

Diversi strumenti qui presenti sono open source e gratuiti da ospitare in proprio, e si adattano a lavori diversi. CVAT è la piattaforma generalista più completa, con cuboidi e track interpolate. Xtreme1 è Apache 2.0, con fusione 2D e 3D e uno strumento per serie di fotogrammi, e legge solo .pcd. SUSTechPOINTS è GPL-3.0 e si concentra sulla modifica di box a 9 gradi di libertà con cambio automatico della camera. point_labeler è MIT ed è lo strumento con cui è stato etichettato SemanticKITTI: fa etichettatura semantica e di istanze punto per punto su sequenze KITTI anziché box.

La posizione di Label Studio va enunciata con precisione. Il suo riferimento dei tag open source non elenca alcun tag oggetto per nuvole di punti, e il LiDAR è offerto come interfaccia Enterprise descritta nel blog e nel materiale stampa di HumanSignal anziché nella documentazione di riferimento.

Un'attività 3D in Potato

Gli strumenti 3D di Potato sono cuboid_3d, point_3d, polyline_3d e segment_3d, l'ultimo dei quali dipinge le etichette direttamente sui punti.

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 seleziona quali modalità di disegno riceve l'annotatore, così un'attività che ha bisogno solo di box non offre la pittura dei punti. Il rendering per livello di dettaglio è attivo per impostazione predefinita, ed è ciò che mantiene interattiva nel browser una nuvola da diversi milioni di punti.

Domande frequenti

Le domande seguenti corrispondono a ricerche che il sito riceve già per l'annotazione di nuvole di punti.

Quale strumento di annotazione di nuvole di punti conviene usare?

Scegliete in base ai formati e alla misurazione più che agli strumenti di disegno, perché tutti quelli qui presenti disegnano cuboidi. Se i vostri dati sono in LAZ, Supervisely li legge senza conversione. Se vi serve la fusione di sensori senza un livello aggiuntivo, CVAT mostra immagini di contesto e Potato proietta i box in viste camera calibrate. Se dovete riportare l'accordo tra annotatori su box 3D, verificate che lo strumento misuri la geometria e non le etichette, dato che le funzionalità di accordo documentate in questo confronto sono limitate al 2D.

Esiste uno strumento open source per annotare nuvole di punti 3D?

Sì, e ce ne sono diversi con punti di forza differenti. CVAT, Xtreme1 (Apache 2.0), SUSTechPOINTS (GPL-3.0), labelCloud (GPL-3.0), point_labeler (MIT) e Potato sono tutti gratuiti da ospitare in proprio. point_labeler lavora punto per punto anziché su box ed è stato usato per etichettare SemanticKITTI, mentre gli altri sono centrati sui cuboidi.

Letture correlate

• Come annotare nuvole di punti 3D tratta formati, calibrazione e IoU 3D ruotata.
• Misurare l'accordo sulle bounding box tratta il caso 2D.
• Strumenti di annotazione a confronto copre ogni tipo di dato in un'unica pagina.

Verificato sulla documentazione, sulla pagina dei prezzi e sul repository di ciascun progetto il 2026-09-24. Se una cella è sbagliata, segnalatecelo.