포인트 클라우드 어노테이션 도구 비교: 오픈소스와 유료 LiDAR 도구

대부분의 3D 어노테이션 도구는 큐보이드를 그리고 프레임 사이에서 추적하며, 차이는 주로 어떤 포인트 클라우드 형식을 읽는지와 센서 퓨전에 추가 비용이 붙는지에서 갈립니다. 더 뚜렷한 갈림길은 측정입니다. 여기서 비교한 나머지 도구들을 2026-09-24에 확인한 결과, 그 도구들의 문서가 기술하는 일치도 통계는 모두 2D 유형으로 한정되어 있어, 3D 박스에 대해 우연 보정 일치도가 필요한 프로젝트에는 선택지가 적습니다.

포인트 클라우드 어노테이션은 성기고 불균일하게 샘플링된 3D 데이터, 대개 LiDAR에서 나온 데이터에 레이블을 붙이는 작업입니다. 3D 포인트 클라우드 어노테이션 방법은 회전 표현과 축 정렬 근사로 구한 일치도가 왜 오해를 부르는지를 포함해 어노테이션 문제 자체를 다룹니다. 이 페이지는 도구를 비교합니다.

이 페이지는 3D만 다룹니다. 어노테이션 도구 비교는 모든 데이터 유형을 한 페이지에서 다룹니다.

기능 나란히 보기

각 항목은 2026-09-24에 해당 도구 자체 문서에서 읽은 것입니다. 대시는 문서가 그 기능을 설명하지 않았다는 뜻이며, 도구가 그 기능을 거부한다는 말과는 다릅니다.

변환 단계를 가장 자주 요구하는 형식은 LAZ입니다. Supervisely는 이를 바로 읽습니다. Segments.ai 문서는 비압축 LAS 1.4만 나열하고, Potato는 LAZ 파일을 laszip으로 먼저 풀거나 laspy[laszip]을 설치하도록 요구합니다.

3D 레이블에 대한 일치도

여기서 일치도 통계를 내놓는 도구는 셋이며, 셋 모두 대상을 2D로 한정합니다. CVAT 문서는 명시적으로 "품질 추정은 2d 작업만 지원한다"("quality estimation only supports 2d tasks"), 그리고 "2d 큐보이드를 제외한 모든 어노테이션 유형을 지원한다"("supports all the annotation types except 2d cuboids")고 적고 있습니다. Supervisely의 레이블링 컨센서스는 바운딩 박스, 마스크, 폴리곤, 이미지 태그 또는 오브젝트 태그에서 작동하며, 그 점수는 우연 보정 계수가 아니라 0에서 100퍼센트의 쌍별 유사도입니다. Labelbox의 컨센서스 지원 표에는 이미지, 비디오, 텍스트, 채팅, 오디오, 지리공간, 문서, HTML 유형이 나열되어 있고 3D 항목은 없습니다.

나머지 도구의 문서는 3D 레이블에 대한 어노테이터 간 일치도를 언급하지 않습니다. 이는 문서가 없다는 뜻으로 받아들여야지, 코드에 대한 진술로 보아서는 안 됩니다.

이 공백이 중요한 이유는 기하에 대한 일치도가 레이블에 대한 일치도와 같은 문제가 아니기 때문입니다. 두 어노테이터가 모두 자동차를 표시했다면 차이는 범주가 아니라 정도로 나타나므로, 측정은 먼저 박스끼리 대응시킨 다음 남은 변동이 우연을 넘어서는지를 물어야 합니다. Potato는 정확한 회전 3D IoU를 사용해 3D 박스에 대해 이를 계산합니다. 포인트 클라우드 가이드가 축 정렬 근사를 피하라고 하는 것도 같은 이유로, 근사는 측정 자체가 만들어 낸 불일치를 보고하기 때문입니다.

센서 퓨전과 그 비용

포인트 클라우드와 카메라 이미지 사이로 레이블을 투영하는 일은, 조감도에서는 맞아 보이지만 시선 축을 따라 몇 미터씩 어긋난 작업을 어노테이터가 확인하는 방법입니다. 이 기능은 흔하고, 거기 붙는 가격은 편차가 큽니다.

Segments.ai는 3D 큐보이드를 카메라 프레임에 자동으로 투영하고 센서 간에 트랙 ID를 유지하며, 센서 퓨전은 Fusion 등급으로 제한됩니다. Supervisely는 에피소드의 모든 프레임에서 사진 컨텍스트 색상을 3D 포인트에 투영하며, 3D LiDAR와 센서 퓨전은 Enterprise에 나열되어 있고 보조 도구 여럿은 Cloud Max 추가 상품 뒤에 있습니다. Scale은 큐보이드를 2D 카메라 뷰로 재투영하고, 그 투영을 바로잡기 위한 Lidar Linking 작업 유형을 제공합니다. CVAT는 클라우드 옆에 컨텍스트 이미지를 표시하며, 둘 사이로 레이블을 투영하는 것은 문서에 설명되어 있지 않습니다.

Potato는 항목마다 카메라 캘리브레이션을 받으므로 모든 3D 박스가 이미지에 투영되어 2D에서 확인할 수 있습니다. 등급이 붙지 않은 동일한 검증 단계입니다.

오픈소스 선택지

여기 나온 도구 중 여럿은 오픈소스이고 무료로 자체 호스팅할 수 있으며, 서로 다른 작업에 맞습니다. CVAT는 큐보이드와 보간된 트랙을 갖춘 가장 완성도 높은 범용 플랫폼입니다. Xtreme1은 Apache 2.0이며 2D 및 3D 퓨전과 프레임 시리즈 도구를 갖추고 있고 .pcd만 읽습니다. SUSTechPOINTS는 GPL-3.0이며 카메라 자동 전환과 함께 9자유도 박스 편집에 집중합니다. point_labeler는 MIT이며 SemanticKITTI를 레이블링할 때 쓴 도구로, 박스 대신 KITTI 시퀀스에 대해 포인트 단위의 의미 분할과 인스턴스 레이블링을 합니다.

Label Studio의 위치는 조심스럽게 말할 필요가 있습니다. 오픈소스 태그 레퍼런스에는 포인트 클라우드 오브젝트 태그가 없고, LiDAR는 Enterprise 인터페이스로 제공되며 그 설명은 레퍼런스 문서가 아니라 HumanSignal의 블로그와 보도 자료에 있습니다.

Potato에서의 3D 작업

Potato의 3D 도구는 cuboid_3d, point_3d, polyline_3d, segment_3d이며, 마지막 것은 레이블을 포인트에 직접 칠합니다.

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

tools는 어노테이터가 어떤 그리기 모드를 쓸지 고르므로, 박스만 필요한 작업에서는 포인트 칠하기가 나오지 않습니다. 세부 수준 렌더링은 기본으로 켜져 있으며, 수백만 포인트짜리 클라우드를 브라우저에서 다룰 수 있게 해 주는 것이 바로 이것입니다.

자주 묻는 질문

아래 질문은 이 사이트가 포인트 클라우드 어노테이션과 관련해 이미 받고 있는 검색어에 대응합니다.

포인트 클라우드 어노테이션 도구는 무엇을 써야 하나요?

그리기 도구가 아니라 형식과 측정을 기준으로 고르세요. 여기 나온 도구는 모두 큐보이드를 그리기 때문입니다. 데이터가 LAZ라면 Supervisely가 변환 없이 읽습니다. 추가 등급 없이 센서 퓨전이 필요하다면 CVAT는 컨텍스트 이미지를 보여 주고 Potato는 캘리브레이션된 카메라 뷰로 박스를 투영합니다. 3D 박스에 대해 어노테이터 간 일치도를 보고해야 한다면, 그 도구가 레이블이 아니라 기하를 측정하는지 확인하세요. 이 비교에서 문서에 기술된 일치도 기능은 모두 2D로 한정되어 있기 때문입니다.

오픈소스 3D 포인트 클라우드 어노테이션 도구가 있나요?

있습니다. 게다가 강점이 서로 다른 여러 가지가 있습니다. CVAT, Xtreme1(Apache 2.0), SUSTechPOINTS(GPL-3.0), labelCloud(GPL-3.0), point_labeler(MIT), Potato는 모두 무료로 자체 호스팅할 수 있습니다. point_labeler는 박스 기반이 아니라 포인트 단위이며 SemanticKITTI 레이블링에 사용되었고, 나머지는 큐보이드를 중심에 둡니다.

더 읽을거리

• 3D 포인트 클라우드 어노테이션 방법은 형식, 캘리브레이션, 회전 3D IoU를 다룹니다.
• 바운딩 박스 일치도 측정하기는 2D 경우를 다룹니다.
• 어노테이션 도구 비교는 모든 데이터 유형을 한 페이지에서 다룹니다.

2026-09-24에 각 프로젝트의 문서, 가격 페이지, 저장소와 대조해 확인했습니다. 잘못된 칸이 있으면 알려 주세요.