尧图网页设计 
CVAT LiDAR 点云标注实战指南从导入到交付的 5 个关键步骤【免费下载链接】cvatComputer Vision Annotation Tool (CVAT) is a leading platform for building high-quality visual datasets for vision AI. It offers open-source, cloud, and enterprise products, as well as labeling services, for image, video, and 3D annotation with AI-assisted labeling, quality assurance, team collaboration, analytics, and developer APIs.项目地址: https://gitcode.com/GitHub_Trending/cvat/cvat早上收到一批路测 LiDAR 点云500 帧周五要交付。你从没做过 3D 标注打开 CVAT 不知道从哪下手。这篇文章就用这个场景带你把数据打包、四视图标 3D 框、导出交付这条 LiDAR 点云标注的完整流程走一遍。LiDAR 就是会向四周喷点的激光雷达一帧路测数据里能有几十万个点。先搞清楚 3D 标注难在哪点云标注的难点不在操作而在三点数据量与维度。一帧点云有几十万个点每个点都带三维空间坐标。2D 任务标的是图片里的框3D 任务标的是整幅空间场景你必须能转着看才能确认物体在哪。精度要求高。一个 3D 框包含位置、尺寸、朝向共 9 个参数高度差 5 厘米或者车头朝向标错框在检测模型那里都算废的。单靠点云信息不足。深色车和浅色车在点云里长得几乎一样不借助参照无法分辨。所以实际项目里点云几乎总要与同帧的相机画面配合CVAT 把这类图片叫related images标注时右侧能直接看到对应画面。想清楚这三点后面整理数据、做质检时你就知道各自在解决什么问题。整理数据一帧对应一份点云 在 CVAT 里建 3D 任务前需要先把点云和图像打包成约定的目录结构。常见两种格式目录结构特点PCD 关联图像pointcloud/00001.pcdrelated_images/00001_pcd/*.png通用点云格式按帧号关联相机图Velodyne 原始数据velodyne_points/data/*.bindata/*.png自动驾驶数据集常见保留原始激光雷达二进制点云和图像的帧号对应上CVAT 就能自动配对。如果不想按上面两个目录摆也可以把同名的.pcd和.png直接放进同一个data/文件夹data/ 00001.pcd 00001.png具体命名规则以官方文档为准细节可看 3D 任务的数据格式说明。创建 3D 任务一次调用完成数据整理好后从网页界面或 SDK 建任务都可以脚本方式更适合批量路测数据。核心就两件事定义标签、上传压缩包from cvat_sdk import Client client Client() task client.tasks.create({ name: road_test_500, labels: [{name: car}, {name: pedestrian}, {name: cyclist}], }) task.upload_data([velodyne_points.zip])上传的是 3D 数据时任务会被自动识别为 3D不用额外勾选。上传完成后打开任务对应的 job看到的标注界面如下上方大窗是透视视图下方三个小窗是顶视、侧视、前视投影右侧面板是对象列表和标签、属性设置。前端渲染由 3D 画布模块 完成大点云也能流畅缩放和旋转。四视图怎么配合标一个 3D 框 标注界面是一大三小布局三个小窗显示的是当前选中对象的投影不是三幅独立画面。标好一个 3D 框的协作方式透视主视图放初框对象面板选Draw new cuboid选好标签框跟着光标走放到目标上确认。顶视图校平面位置投影里框要贴合目标点云拖动边缘调整 X/Y 位置。侧视图调高度与尺寸侧投影能清楚看到框底与地面的距离顺便改尺寸。前视图验朝向确认车头朝向和车身宽度没标歪。调整完成后四个视图联动更新主视图里的红色框和三个投影窗里的框是同一个对象工具怎么选车辆、行人、路锥这类刚体目标用立方体cuboid它是自动驾驶数据集的主力工具要标关节关系人体姿态、车辆部件时用关键点/骨骼工具需要点云做逐点语义划分时用分割工具3D 任务下的支持范围以官方文档为准。对一辆贯穿几十帧的车用Track模式只标关键帧、中间帧交给插值比逐帧修正省力得多。提效与质检预标注和质量指标看什么⚡ 500 帧数据纯手标最慢常规组合是预标注先用训练好的模型给部分帧生成初始标注CVAT 支持 AI 辅助标注你只做修正和微调修正量通常远低于从零画起。跟踪插值对跨多帧的目标只标关键帧CVAT 自动插出中间帧位置同一物体还会获得一致的 ID。标完之后的质检不是再人肉看一遍而是看指标指标回答的问题位置 IoU框和目标的点云重合度错位是否超差尺寸与朝向误差长宽高是否接近真实物体、车头朝向是否标反类别与属性误分类对象、漏标的遮挡/截断属性是否为 0CVAT 的 质量控制模块 提供自动化质检报告交付前可以批量核对上面这些指标。点云标注的流程是固定的难在每一帧的细节。建议先拿 100 帧、场景简单的数据把打包、建任务、四视图标注、导出整条流程跑通能流畅标对一个 3D 框之后扩到 500 帧、5000 帧只是时间和预标注的问题。【免费下载链接】cvatComputer Vision Annotation Tool (CVAT) is a leading platform for building high-quality visual datasets for vision AI. It offers open-source, cloud, and enterprise products, as well as labeling services, for image, video, and 3D annotation with AI-assisted labeling, quality assurance, team collaboration, analytics, and developer APIs.项目地址: https://gitcode.com/GitHub_Trending/cvat/cvat创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 CVAT LiDAR 点云标注实战指南：从导入到交付的 5 个关键步骤
CVAT LiDAR 点云标注实战指南从导入到交付的 5 个关键步骤【免费下载链接】cvatComputer Vision Annotation Tool (CVAT) is a leading platform for building high-quality visual datasets for vision AI. It offers open-source, cloud, and enterprise products, as well as labeling services, for image, video, and 3D annotation with AI-assisted labeling, quality assurance, team collaboration, analytics, and developer APIs.项目地址: https://gitcode.com/GitHub_Trending/cvat/cvat早上收到一批路测 LiDAR 点云500 帧周五要交付。你从没做过 3D 标注打开 CVAT 不知道从哪下手。这篇文章就用这个场景带你把数据打包、四视图标 3D 框、导出交付这条 LiDAR 点云标注的完整流程走一遍。LiDAR 就是会向四周喷点的激光雷达一帧路测数据里能有几十万个点。先搞清楚 3D 标注难在哪点云标注的难点不在操作而在三点数据量与维度。一帧点云有几十万个点每个点都带三维空间坐标。2D 任务标的是图片里的框3D 任务标的是整幅空间场景你必须能转着看才能确认物体在哪。精度要求高。一个 3D 框包含位置、尺寸、朝向共 9 个参数高度差 5 厘米或者车头朝向标错框在检测模型那里都算废的。单靠点云信息不足。深色车和浅色车在点云里长得几乎一样不借助参照无法分辨。所以实际项目里点云几乎总要与同帧的相机画面配合CVAT 把这类图片叫related images标注时右侧能直接看到对应画面。想清楚这三点后面整理数据、做质检时你就知道各自在解决什么问题。整理数据一帧对应一份点云 在 CVAT 里建 3D 任务前需要先把点云和图像打包成约定的目录结构。常见两种格式目录结构特点PCD 关联图像pointcloud/00001.pcdrelated_images/00001_pcd/*.png通用点云格式按帧号关联相机图Velodyne 原始数据velodyne_points/data/*.bindata/*.png自动驾驶数据集常见保留原始激光雷达二进制点云和图像的帧号对应上CVAT 就能自动配对。如果不想按上面两个目录摆也可以把同名的.pcd和.png直接放进同一个data/文件夹data/ 00001.pcd 00001.png具体命名规则以官方文档为准细节可看 3D 任务的数据格式说明。创建 3D 任务一次调用完成数据整理好后从网页界面或 SDK 建任务都可以脚本方式更适合批量路测数据。核心就两件事定义标签、上传压缩包from cvat_sdk import Client client Client() task client.tasks.create({ name: road_test_500, labels: [{name: car}, {name: pedestrian}, {name: cyclist}], }) task.upload_data([velodyne_points.zip])上传的是 3D 数据时任务会被自动识别为 3D不用额外勾选。上传完成后打开任务对应的 job看到的标注界面如下上方大窗是透视视图下方三个小窗是顶视、侧视、前视投影右侧面板是对象列表和标签、属性设置。前端渲染由 3D 画布模块 完成大点云也能流畅缩放和旋转。四视图怎么配合标一个 3D 框 标注界面是一大三小布局三个小窗显示的是当前选中对象的投影不是三幅独立画面。标好一个 3D 框的协作方式透视主视图放初框对象面板选Draw new cuboid选好标签框跟着光标走放到目标上确认。顶视图校平面位置投影里框要贴合目标点云拖动边缘调整 X/Y 位置。侧视图调高度与尺寸侧投影能清楚看到框底与地面的距离顺便改尺寸。前视图验朝向确认车头朝向和车身宽度没标歪。调整完成后四个视图联动更新主视图里的红色框和三个投影窗里的框是同一个对象工具怎么选车辆、行人、路锥这类刚体目标用立方体cuboid它是自动驾驶数据集的主力工具要标关节关系人体姿态、车辆部件时用关键点/骨骼工具需要点云做逐点语义划分时用分割工具3D 任务下的支持范围以官方文档为准。对一辆贯穿几十帧的车用Track模式只标关键帧、中间帧交给插值比逐帧修正省力得多。提效与质检预标注和质量指标看什么⚡ 500 帧数据纯手标最慢常规组合是预标注先用训练好的模型给部分帧生成初始标注CVAT 支持 AI 辅助标注你只做修正和微调修正量通常远低于从零画起。跟踪插值对跨多帧的目标只标关键帧CVAT 自动插出中间帧位置同一物体还会获得一致的 ID。标完之后的质检不是再人肉看一遍而是看指标指标回答的问题位置 IoU框和目标的点云重合度错位是否超差尺寸与朝向误差长宽高是否接近真实物体、车头朝向是否标反类别与属性误分类对象、漏标的遮挡/截断属性是否为 0CVAT 的 质量控制模块 提供自动化质检报告交付前可以批量核对上面这些指标。点云标注的流程是固定的难在每一帧的细节。建议先拿 100 帧、场景简单的数据把打包、建任务、四视图标注、导出整条流程跑通能流畅标对一个 3D 框之后扩到 500 帧、5000 帧只是时间和预标注的问题。【免费下载链接】cvatComputer Vision Annotation Tool (CVAT) is a leading platform for building high-quality visual datasets for vision AI. It offers open-source, cloud, and enterprise products, as well as labeling services, for image, video, and 3D annotation with AI-assisted labeling, quality assurance, team collaboration, analytics, and developer APIs.项目地址: https://gitcode.com/GitHub_Trending/cvat/cvat创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考