点云语义分割标注工具-semantic-segmentation-editor

semantic-segmentation-editor点云标注工具的安装与使用


该软件可标注2D图片(png,jpg等)与点云数据(pcd)。不说废话,直接上干货!!!

1.软件的安装

    (1)下载后随便你解压到那个文件夹下(软件github地址)
    (2)在终端中运行:

curl https://install.meteor.com/ | sh
cd semantic-segmentation-editor-master
meteor npm install
meteor npm start #安装好后,以后每次运行,只需执行该命令(必须移动到软件文件夹下)

启动完成后你的终端会如下显示,最后一行是一个网址,用浏览器打开就能进入软件的标注界面了。
在这里插入图片描述
启动该软件时,会自动的在Home目录下创建 sse-imagessse-internal两个文件夹,其中第一个存放原始数据需手动放入,第二个自动动存放标注后的数据。
在这里插入图片描述
在浏览器中打开http://localhost:3000/将如下图所示,可以看到浏览器中显示了我们放入 sse-images 文件夹中的图片。
在这里插入图片描述

2.软件功能界面介绍

点击任意一张pcd图片,将会出现如下的主界面:
在这里插入图片描述

2.1 软件操作介绍

(1)按住鼠标左键并滑动鼠标可旋转视图
(2)点击鼠标右键可选择想要分类的点云,下面是选取完成后的情况:
在这里插入图片描述
(3)点击左侧标签对选取好的点云进行分类,这里随意选择了‘Road’,下面是标记完成的情况:
在这里插入图片描述
通过以上三步,就能完成相应的标注工作,标注完成后,点击Road右侧按钮可对标注完成的点云进行隐藏,方便我标注其他点云,美中不足的是标签类别是固定的,但提供了这么多标签,一般情况下应该够用了!


再介绍一些细节的功能,让大家更深入的了解该软件
选择工具
在这里插入图片描述
虽然可以通过右键点击选择想要标注的点云,但效率太慢,所以这里提供了区域框选,只需长按右键便可生成框选区域。包括三种框选模式:
(1)H:可画出任意曲线,自动框选曲线内的所有点云
(2)J:可画出矩形框,自动框选矩形框内所有点云
(3)K:可画出圆形框,自动框选圆形框内所有点云
选择模式
在这里插入图片描述
在标注时,会有一些点被意外的框选进来,我们需要对其删除。这里提供了三种选择模式:
(1)Y:该模式下画框只能选择点云(点云变为红色)
(2)U:该模式下画框,对已经选择上的点云会删除(点云变为白色),对未选择上的点云会选择上(点云变为红色)。
(3)I:该模式下画框只能删除以选择的点云(点云变为白色)
视角的选择
在标注时,很难通过鼠标滑动旋转到最方便标注的视角。这时可以通过按住Ctrl,然后用鼠标左键点击想要标注的点云区域,将会自动的旋转到比较方便的标注视角,然后通过滑轮放大或缩小到合适的比例进行标注。


我所用到的大概就是以上的功能,如果大家对这个软件有更深入的了解,可以在评论区分享出来,让大家学习!

3.标注后数据介绍

假设已经完成了标注(我是将所有点云全部标注为‘Road’,仅作示意),你会发现在 sse-internal 文件夹中会生成一些文件,但这些文件(我也不认识)总之不是我们想要的标注完成的文件,真正的标注文件需要手动下载(下图中右边按钮)。
在这里插入图片描述
我们把下载下来的pcd文件与原pcd文件进行对比可以发现,每个坐标点xyz之后都被标记为0(因为‘Road’位于第0个位置)相当于我们对点云完成了分类,了解过深度学习技术的朋友应该知道,我们可以利用这个0-标签对其做分割、分类等操作。但该软件有个BUG,标注后的pcd文件,点云个数变为原本的3倍,需要手动更改!
在这里插入图片描述
如果该文章对您有帮助,请顺便点个赞,如果文中有错误的地方,请提出并指正!

在Win10系统下训练RandLA-Net点云语义分割模型,需要以下步骤: 1. 安装CUDA和CUDNN:RandLA-Net是基于深度学习框架PyTorch开发的,要在Win10系统上训练该模型,首先需要安装支持GPU计算的CUDA和CUDNN。 2. 安装Python和PyTorch:Python是深度学习常用的编程语言,安装Python后,通过pip安装PyTorch库。 3. 下载训练数据集:从相关资源网站下载点云语义分割数据集。常用的数据集有Semantic3D、S3DIS等。下载后,将数据集解压至指定目录。 4. 准备训练代码和配置文件:在下载好论文源码的基础上,将代码和配置文件放置在合适的文件夹中。根据具体需求调整配置文件中的参数,比如训练epoch数、批量大小、学习率等。 5. 数据预处理:对下载的数据集进行预处理,将点云数据转换为模型可接受的输入格式。预处理过程包括点云读取、数据标准化、特征提取等步骤。 6. 开始训练:运行训练代码,开始进行模型训练。训练过程中,模型将根据配置文件中的参数进行前向传播、反向传播等操作,并根据损失函数进行模型参数的更新。 7. 模型评估和测试:训练完成后,可以对模型进行评估和测试。评估过程中,使用测试集对模型进行性能评估,如计算准确率、召回率、F1分数等指标。 8. 模型应用:经过训练的模型可以用于点云语义分割任务。将未标注点云数据输入模型,进行语义分割操作,得到点云中各个点的语义标签。 需要注意的是,训练模型所需的时间和计算资源与数据集的大小和复杂度有关。较大规模的数据集和复杂的模型需要更多的时间和计算资源来训练。
评论 61
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值