Ein PyTorch-Framework für Deep-Learning-Aufgaben an 3D-Punktwolken wie Segmentierung, Klassifizierung und Registrierung.
Entwickeln, trainieren und bewerten Sie Punktwolken-Neuronale-Netzwerke mit PyTorch Geometric und Facebook Hydra.
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.
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.
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.
Organisiert Modelle und Datensatz-Loader in übersichtlichen Unterordnern für Segmentierungs-, Klassifizierungs-, Registrierungs-, Objekterkennungs- und panoptische Aufgaben.
Implementiert etablierte 3D-Architekturen einschließlich PointNet, PointNet++, KPConv, RandLA-Net, RSConv und MinkowskiEngine.
Verwendet Facebook Hydra, um Experimentkonfigurationen, Datensatzparameter und Modell-Hyperparameter reproduzierbar zu verwalten.
Beinhaltet integrierte Datensatz-Handhabung für Standard-3D-Benchmarks wie ScanNet, S3DIS und ShapeNet.
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.
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.
Diese bewerteten KI-Tools erledigen die Aufgabe sofort — aus unserem bewerteten Verzeichnis.
Es unterstützt semantische 3D-Segmentierung, Klassifizierung, Teilstück-Segmentierung (Part Segmentation), 3D-Objekterkennung, panoptische Segmentierung und Punktwolken-Registrierung.
Das Framework enthält Datensatz-Module für ScanNet, S3DIS (in mehreren Unterformaten) und ShapeNet.
Ja, für ein effektives Modelltraining und sparse Convolution-Operationen ist GPU-Hardware mit CUDA 10 oder höher erforderlich.
Zekai zuerst in Google sehen