Фреймворк на базе PyTorch для задач глубокого обучения на 3D облаках точек, таких как сегментация, классификация и совмещение.
Создавайте, обучайте и тестируйте нейронные сети для облаков точек с использованием PyTorch Geometric и Facebook Hydra.
torch-points3d — это open source Python-фреймворк, предназначенный для запуска передовых архитектур нейронных сетей на датасетах 3D облаков точек. Он объединяет PyTorch Geometric и Facebook Hydra, чтобы помочь техническим командам обучать модели для 3D обнаружения объектов, сегментации и совмещения. Его стоит использовать, если вам нужна модульная структура кода для 3D пространственного анализа.
Фреймворк объединяет популярные модели 3D глубокого обучения, включая PointNet++, KPConv, RandLA-Net и MinkowskiEngine, в единую модульную кодовую базу. Он организует датасеты и архитектуры по конкретным 3D задачам, таким как паноптическая сегментация, классификация, обнаружение объектов и совмещение. Вы можете запускать конвейеры обучения или оценки, используя встроенную поддержку стандартных датасетов, таких как ScanNet, S3DIS и ShapeNet.
Этот инструмент подходит инженерам по машинному обучению и исследователям 3D зреия, анализирующим данные LiDAR или фотограмметрических сканирований в инженерных и архитектурных контекстах. Он не предназначен для нетехнических пользователей или тех, кто ищет графическое приложение для 3D моделирования. Командам без выделенного GPU-оборудования и опыта разработки на Python настройка покажется сложной.
Организует модели и загрузчики датасетов в аккуратные подпапки для сегментации, классификации, совмещения, обнаружения объектов и паноптических задач.
Реализует устоявшиеся 3D архитектуры, включая PointNet, PointNet++, KPConv, RandLA-Net, RSConv и MinkowskiEngine.
Использует Facebook Hydra для воспроизводимого управления конфигурациями экспериментов, параметрами датасетов и гиперпараметрами моделей.
Включает встроенную обработку датасетов для стандартных 3D бенчмарков, таких как ScanNet, S3DIS и ShapeNet.
torch-points3d можно бесплатно скачать и использовать напрямую с GitHub. Мейнтейнеры не предоставляют коммерческих хостинг-тарифов, поэтому вашими основными затратами будет инфраструктура GPU-вычислений, необходимая для обучения.
877 открытых удалённых вакансий по обучению ИИ, обновлено 16 ноября 2026 г.; в большинстве оплата $20–$175 в час. Из них 2 — для носителей русского языка. Zekai публикует их бесплатно; отклик уходит на платформу работодателя.
Эти проверенные ИИ-инструменты делают то же самое мгновенно — из нашего оценённого каталога.
Он поддерживает 3D семантическую сегментацию, классификацию, сегментацию частей, 3D обнаружение объектов, паноптическую сегментацию и совмещение облаков точек.
Фреймворк включает модули датасетов для ScanNet, S3DIS (в нескольких подформатах) и ShapeNet.
Да, для эффективного обучения моделей и операций разреженной свертки требуется GPU-оборудование с CUDA 10 или выше.
Zekai первым в Google