目录
点云标注工具:
https://github.com/jbehley/point_labeler
数据格式:
pcd格式:
python可以读
open3d读取点云
注意,meshlab不能直接查看pcd格式,需要转为ply格式。
o3d.io.write_point_cloud('003.ply',pcd1)
if __name__ == '__main__':
import numpy as np
# las2pcd()
import open3d as o3d
pcd1 = o3d.io.read_point_cloud(r'point3.txt',format='xyz')
o3d.io.write_point_cloud("filename.pcd", pcd1)
# mesh = open3d.io.triange_mesh(mesh_file_path)
# o3d.io.w("filename.ply", pcd1)
o3d.io.write_point_cloud('003.ply',pcd1)
# pcd1 = o3d.io.read_point_cloud(r'F:\biadu_down\las-20200813-110417_1\data-20200813-110417_1.las')
pcd1.paint_uniform_color([0, 255, 0])
o3d.visualization.draw_geometries([pcd1])
ply格式
meshlab可以直接查看。
PLY:多边形文件格式(polygon file format),用来存储以许多多边形形式描述的图形物体。
las格式
meshlab不能查看,cloudcompare可以看。
c++ las转pcd
https://blog.csdn.net/jacke121/article/details/118883648
off格式
OFF
顶点数 面片数 边数
x y z
x y z
...
n个顶点 顶点1的索引 顶点2的索引 … 顶点n的索引
...
off格式举例:
OFF
8 12 0
-0.274878 -0.274878 -0.274878
-0.274878 0.274878 -0.274878
0.274878 0.274878 -0.274878
0.274878 -0.274878 -0.274878
-0.274878 -0.274878 0.274878
-0.274878 0.274878 0.274878
0.274878 0.274878 0.274878
0.274878 -0.274878 0.274878
3 0 1 3
3 3 1 2
3 0 4 1
3 1 4 5
3 3 2 7
3 7 2 6
3 4 0 3
3 7 4 3
3 6 4 7
3 6 5 4
3 1 5 6
3 2 1 6
obj格式
首先一个字符串,字符串后面空格,再加相应的数据,每行都是如此
可参见OBJ格式模型详细介绍
v 顶点
vt 纹理坐标
vn 顶点法向量
f 面
pwn格式
第一行是顶点数,后面接每个点的坐标,按每个点的坐标顺序接每个点的法向量
顶点数
每个点的坐标
每个点的法向量
数据集
自动驾驶数据pandaset
https://scale.com/resources/download/pandaset
室外驾驶SemanticKITTI
http://semantic-kitti.org/dataset.html#download
迅雷种子:
https://hyper.ai/datasets/13408
百度网盘:
链接:https://pan.baidu.com/s/1-4WchJlcZ2guwcfbHqrdFw
提取码:grys
S3DIS 室内分割
Semantic3D
http://www.semantic3d.net/view_dbase.php?chl=1
Semantic KITTI dataset, and preprocess the data:
http://semantic-kitti.org/dataset.html#download
国内数据集下载:
文件列表:
http://www.functionweb.tk/?/kitti/
如果遭遇下载失败的情况请访问
https://blog.csdn.net/weixin_43599336/article/details/87801040
原始图片地址(申请界面):http://www.cvlibs.net/download.php?file=data_object_image_2.zip
原始标签地址(申请界面):http://www.cvlibs.net/download.php?file=data_object_labels_2.zip
————————————————
版权声明:本文为CSDN博主「Bend_Function」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/weixin_43599336/article/details/86533572
IoU:
car: 93.07
bicycle: 16.70
motorcycle: 20.64
truck: 67.74
other-vehicle: 41.46
person: 48.79
bicyclist: 65.74
motorcyclist: 0.00
road: 91.44
parking: 42.21
sidewalk: 76.50
other-ground: 6.15
building: 85.55
fence: 38.86
vegetation: 84.19
trunk: 58.49
terrain: 73.63
pole: 51.63
traffic-sign: 36.05
汽车:93.07
自行车:16.70
摩托车:20.64
卡车:67.74
其他车辆:41.46
人数:48.79
骑自行车者:65.74
摩托车手:0.00
道路:91.44
停车场:42.21
人行道:76.50
其他地面:6.15
建筑:85.55
围栏:38.86
植被:84.19
行李箱:58.49
地形:73.63
杆:51.63
交通标志:36.05
2.
并在ScanNet和ShapeNet基准数据集