Ferramentas de anotação de nuvens de pontos comparadas: opções livres e pagas para LiDAR

A maioria das ferramentas de anotação 3D desenha cuboides e os acompanha entre quadros, e elas diferem sobretudo nos formatos de nuvem de pontos que leem e em se a fusão de sensores custa à parte. A diferença mais marcada está na medição. Nas demais ferramentas comparadas aqui, verificadas em 2026-09-24, toda estatística de concordância que a documentação delas descreve se restringe a tipos 2D, de modo que um projeto que precise de concordância corrigida pelo acaso sobre caixas 3D tem poucas opções.

Anotar uma nuvem de pontos significa colocar rótulos sobre dados 3D esparsos e amostrados de forma irregular, em geral vindos de LiDAR. Como anotar nuvens de pontos 3D trata do problema da anotação em si, incluindo a representação da rotação e por que uma aproximação de concordância alinhada aos eixos leva a conclusões erradas. Esta página compara as ferramentas.

Esta página cobre apenas 3D. Ferramentas de anotação comparadas cobre todos os tipos de dados em uma só página.

Capacidades lado a lado

Cada entrada foi lida da documentação da própria ferramenta em 2026-09-24. Um traço significa que a documentação não descreveu a capacidade, o que não é o mesmo que a ferramenta recusá-la.

LAZ é o formato que com mais frequência obriga a uma etapa de conversão. O Supervisely o lê diretamente. A documentação do Segments.ai lista apenas LAS 1.4 sem compressão, e o Potato pede que você descompacte antes o arquivo LAZ com laszip ou instale laspy[laszip].

Concordância sobre rótulos 3D

Três ferramentas aqui reportam alguma estatística de concordância, e todas as três a restringem ao 2D. A documentação do CVAT é explícita, afirmando que "a estimativa de qualidade só suporta tarefas 2d" ("quality estimation only supports 2d tasks") e que ela "suporta todos os tipos de anotação exceto cuboides 2d" ("supports all the annotation types except 2d cuboids"). O consenso de rotulagem do Supervisely funciona com caixas delimitadoras, máscaras, polígonos e tags de imagem ou de objeto, e sua pontuação é uma similaridade par a par de 0 a 100 por cento, não um coeficiente corrigido pelo acaso. A tabela de suporte a consenso do Labelbox lista tipos de imagem, vídeo, texto, chat, áudio, geoespacial, documento e HTML, sem nenhuma entrada 3D.

A documentação das demais ferramentas não menciona concordância entre anotadores sobre rótulos 3D. Trate isso como ausência de documentação e não como uma afirmação sobre o código.

A lacuna importa porque concordância sobre geometria não é o mesmo problema que concordância sobre rótulos. Dois anotadores que marcam ambos um carro divergem por graus e não de forma categórica, então a medida tem que primeiro emparelhar as caixas entre si e depois perguntar se a variação restante excede o acaso. O Potato calcula isso sobre caixas 3D usando IoU 3D rotacionada exata. O guia de nuvens de pontos alerta contra a aproximação alinhada aos eixos pelo mesmo motivo, porque uma aproximação reporta discordância que é um artefato da medida.

Fusão de sensores e quanto ela custa

Projetar rótulos entre a nuvem de pontos e as imagens de câmera é como um anotador confere um trabalho que parece correto em vista superior e está a metros de distância ao longo do eixo de visão. A capacidade é comum e o preço associado a ela varia bastante.

O Segments.ai projeta cuboides 3D nos quadros de câmera automaticamente e preserva o ID do track entre sensores, com a fusão de sensores restrita ao seu nível Fusion. O Supervisely projeta as cores do contexto fotográfico sobre os pontos 3D em cada quadro de um episódio, com LiDAR 3D e fusão de sensores listados em Enterprise e várias das ferramentas de assistência atrás de um complemento Cloud Max. O Scale reprojeta cuboides em vistas de câmera 2D e oferece um tipo de tarefa Lidar Linking para corrigir essas projeções. O CVAT exibe imagens de contexto ao lado da nuvem, e sua documentação não descreve projetar rótulos entre as duas.

O Potato recebe calibração de câmera por item, de modo que cada caixa 3D se projeta nas imagens e pode ser conferida em 2D, que é a mesma etapa de verificação sem um nível de preço associado.

Opções de código aberto

Várias das ferramentas aqui são de código aberto e gratuitas para auto-hospedar, e servem a trabalhos diferentes. O CVAT é a plataforma geral mais completa, com cuboides e tracks interpolados. O Xtreme1 é Apache 2.0, com fusão 2D e 3D e uma ferramenta de séries de quadros, e lê apenas .pcd. O SUSTechPOINTS é GPL-3.0 e se concentra na edição de caixas com 9 graus de liberdade e troca automática de câmera. O point_labeler é MIT e é a ferramenta com que o SemanticKITTI foi rotulado, fazendo rotulagem semântica e de instâncias ponto a ponto sobre sequências KITTI em vez de caixas.

A posição do Label Studio vale ser enunciada com cuidado. Sua referência de tags de código aberto não lista nenhuma tag de objeto de nuvem de pontos, e o LiDAR é oferecido como uma interface Enterprise descrita no blog e no material de imprensa da HumanSignal, e não na documentação de referência.

Uma tarefa 3D no Potato

As ferramentas 3D do Potato são cuboid_3d, point_3d, polyline_3d e segment_3d, esta última pinta rótulos diretamente sobre os pontos.

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 seleciona quais modos de desenho o anotador recebe, então uma tarefa que só precisa de caixas não oferece pintura de pontos. A renderização por nível de detalhe vem ligada por padrão, e é o que mantém uma nuvem de vários milhões de pontos interativa no navegador.

Perguntas frequentes

As perguntas abaixo correspondem a buscas que o site já recebe sobre anotação de nuvens de pontos.

Qual ferramenta de anotação de nuvens de pontos devo usar?

Escolha pelos formatos e pela medição, e não pelas ferramentas de desenho, porque todas as ferramentas aqui desenham cuboides. Se seus dados forem LAZ, o Supervisely os lê sem conversão. Se você precisa de fusão de sensores sem um nível extra, o CVAT mostra imagens de contexto e o Potato projeta caixas em vistas de câmera calibradas. Se você tem que reportar concordância entre anotadores sobre caixas 3D, verifique se a ferramenta mede geometria em vez de rótulos, já que os recursos de concordância documentados nesta comparação se restringem ao 2D.

Existe alguma ferramenta de código aberto para anotar nuvens de pontos 3D?

Sim, e existem várias com pontos fortes diferentes. CVAT, Xtreme1 (Apache 2.0), SUSTechPOINTS (GPL-3.0), labelCloud (GPL-3.0), point_labeler (MIT) e Potato são todas gratuitas para auto-hospedar. O point_labeler trabalha ponto a ponto em vez de com caixas e foi usado para rotular o SemanticKITTI, enquanto as outras se concentram em cuboides.

Leitura complementar

• Como anotar nuvens de pontos 3D trata de formatos, calibração e IoU 3D rotacionada.
• Medir concordância em caixas delimitadoras trata do caso 2D.
• Ferramentas de anotação comparadas cobre todos os tipos de dados em uma só página.

Verificado na documentação, na página de preços e no repositório de cada projeto em 2026-09-24. Se alguma célula estiver errada, avise-nos.