KI-Tools, bewertet für deinen Beruf
Bezahlte KI-Jobs
🤝 Du bist in der Frei-&-Open-Source-Bibliothek — von der Community entwickelte Tools, die du kostenlos nutzen kannst. Ein anderes Konzept als unser bewertetes KI-Verzeichnis.
Start › Frei & Open Source › Ingenieurwesen › torch-points3d
✦ Frei & Open SourceIngenieurwesen

torch-points3d

Ein PyTorch-Framework für Deep-Learning-Aufgaben an 3D-Punktwolken wie Segmentierung, Klassifizierung und Registrierung.

Modulares Deep-Learning-Framework für die 3D-Punktwolkenanalyse

Entwickeln, trainieren und bewerten Sie Punktwolken-Neuronale-Netzwerke mit PyTorch Geometric und Facebook Hydra.

Für immer kostenlos · quelloffen einsehbar · Licence not stated in the repository
✓ Needs IT✓ Im Browser✓ Echtzeit-Zusammenarbeit
7.3
ZEKAI
Unverzichtbar für 3D-KI-Ingenieure
Frei & Open Source · Ingenieurwesen
Einfache Einrichtung4
Nützlichkeit8
Wartung9.5
Community7.5
★ 2,712
GITHUB
Oct 2026
AKTUALISIERT
Licence not stated in the repository
LIZENZ
🛠 Keine Lust auf Self-Hosting? Wir richten es ein →
⚡ Schnelle Antwort

torch-points3d ist ein Open-Source-Python-Framework, das entwickelt wurde, um fortschrittliche Neuronale-Netzwerk-Architekturen auf 3D-Punktwolken-Datensätzen auszuführen. Es kombiniert PyTorch Geometric und Facebook Hydra, um technischen Teams beim Training von Modellen für 3D-Objekterkennung, Segmentierung und Registrierung zu helfen. Sie sollten es verwenden, wenn Sie eine modulare Codestruktur für die räumliche 3D-Analyse benötigen.

Läuft auf
Cross-platform
Hosting
Self-host
Sprachen
Python
Lizenz
Licence not stated in the repository

Was es ist

Das Framework vereint beliebte 3D-Deep-Learning-Modelle – darunter PointNet++, KPConv, RandLA-Net und MinkowskiEngine – in einer einzigen modularen Codebasis. Es organisiert Datensätze und Architekturen nach spezifischen 3D-Aufgaben wie panoptischer Segmentierung, Klassifizierung, Objekterkennung und Registrierung. Sie können Trainings- oder Evaluierungs-Pipelines mit integrierter Unterstützung für Benchmark-Datensätze wie ScanNet, S3DIS und ShapeNet ausführen.

Für wen

Dieses Tool eignet sich für Machine-Learning-Ingenieure und 3D-Visionsforscher, die LiDAR- oder Photogrammetrie-Scandaten für ingenieurtechnische und architektonische Kontexte analysieren. Es ist nicht für nicht-technische Benutzer oder Personen gedacht, die eine grafische 3D-Modellierungsanwendung suchen. Teams ohne dedizierte GPU-Hardware und Python-Entwicklungserfahrung werden die Einrichtung als herausfordernd empfinden.

Wichtige Funktionen

Aufgabenbasierte Code-Architektur

Organisiert Modelle und Datensatz-Loader in übersichtlichen Unterordnern für Segmentierungs-, Klassifizierungs-, Registrierungs-, Objekterkennungs- und panoptische Aufgaben.

Unterstützung für Multi-Modell-Architekturen

Implementiert etablierte 3D-Architekturen einschließlich PointNet, PointNet++, KPConv, RandLA-Net, RSConv und MinkowskiEngine.

Hydra-Konfigurationsintegration

Verwendet Facebook Hydra, um Experimentkonfigurationen, Datensatzparameter und Modell-Hyperparameter reproduzierbar zu verwalten.

Integration von Benchmark-Datensätzen

Beinhaltet integrierte Datensatz-Handhabung für Standard-3D-Benchmarks wie ScanNet, S3DIS und ShapeNet.

Erste Schritte

Startklar in 3 Schritten

1
Richten Sie eine CUDA-fähige GPU-Umgebung nativ ein oder ziehen Sie das empfohlene PyTorch Docker-Image.
2
Installieren Sie das Kernpaket über pip install torch-points3d zusammen mit PyTorch und PyTorch Geometric.
3
Konfigurieren Sie Ihre Modell- und Datensatzparameter im conf-Verzeichnis und starten Sie das Training mit train.py.
Klartext

Unser ehrliches Fazit

Stärken

  • Implementiert eine breite Palette modernster 3D-Punktwolken-Modelle in einer einheitlichen API
  • Konfiguriert mit Facebook Hydra für modulares Experiment-Management und Reproduzierbarkeit
  • Unterstützt wichtige 3D-Aufgaben einschließlich semantischer Segmentierung, panoptischer Segmentierung und 3D-Objekterkennung
  • Bietet vorgefertigte Docker-Einrichtungsanweisungen zur Handhabung komplexer PyTorch- und CUDA-Abhängigkeiten

Schwächen

  • Erfordert dedizierte GPU-Hardware mit CUDA 10+ und spezialisierte sparse Convolution-Backends
  • Komplexer Abhängigkeits-Stack mit PyTorch Geometric und C++-Kompilierungsschritten kann die Einrichtung verkomplizieren
  • Es fehlt eine grafische Benutzeroberfläche, was reines Python und eine CLI-Konfiguration erfordert
  • Die Repository-Metadaten geben keine ausdrückliche Open-Source-Lizenz an
Kosten

Preise & Lizenz

torch-points3d kann kostenlos direkt von GitHub heruntergeladen und verwendet werden. Es werden keine kommerziellen, gehosteten Tarife von den Betreibern bereitgestellt, sodass Ihre Hauptkosten die für das Training erforderliche GPU-Compute-Infrastruktur sein werden.

Bezahlte Arbeit

Stellen für Deutschsprachige

877 offene Remote-Stellen im KI-Training, aktualisiert am 16. November 2026; die meisten zahlen $20–$175 pro Stunde. 12 davon suchen Deutschsprachige. Zekai listet sie kostenlos; die Bewerbung läuft über die Plattform des Arbeitgebers.

Alle offenen Stellen ansehen →
Vergleich

Alternativen

🎁 Freie & Open-Source-Alternativen

Diese bewerteten KI-Tools erledigen die Aufgabe sofort — aus unserem bewerteten Verzeichnis.

Mehr

Nutze es, oder lass es uns einrichten

📄 Kostenloses PDF: torch-points3d für Ingenieurwesen
Ein verständlicher Leitfaden für dein erstes Ergebnis. Direkt in dein Postfach.
🔔 64 Personen wünschen sich ein komplettes Video-Tutorial — stimme ab
🛠 Keine Lust auf eigene Einrichtung?
Wir installieren, hosten & konfigurieren torch-points3d für dich — und schulen dein Team.
Erledigen lassen ↗
Fragen

FAQ

Welche Punktwolken-Aufgaben unterstützt torch-points3d?

Es unterstützt semantische 3D-Segmentierung, Klassifizierung, Teilstück-Segmentierung (Part Segmentation), 3D-Objekterkennung, panoptische Segmentierung und Punktwolken-Registrierung.

Welche Benchmark-Datensätze werden von Haus aus unterstützt?

Das Framework enthält Datensatz-Module für ScanNet, S3DIS (in mehreren Unterformaten) und ShapeNet.

Benötige ich eine GPU, um torch-points3d auszuführen?

Ja, für ein effektives Modelltraining und sparse Convolution-Operationen ist GPU-Hardware mit CUDA 10 oder höher erforderlich.

Radar

Neueste KI-News

✉️ Das wöchentliche kostenlose Toolkit
Die besten neuen freien & Open-Source-Tools für Ingenieurwesen — eine kurze E-Mail pro Woche, in deiner Sprache.
Kostenlos · 1 E-Mail/Woche · jederzeit abbestellbar
Mit KI-Training Geld verdienen →

Zekai zuerst in Google sehen