2 dépôts
Tools for annotating volumetric objects within 3D point clouds or depth-aware datasets.
Distinct from Spatial Data Processing: None of the candidates cover the specific task of labeling 3D spatial data for machine learning.
Explore 2 awesome GitHub repositories matching data & databases · Spatial Data Labeling. Refine with filters or upvote what's useful.
CVAT est un outil d'annotation de vision par ordinateur open-source et une plateforme de gestion de jeux de données visuels. Il fournit une interface auto-hébergée pour étiqueter des images, des vidéos et des données 3D afin de créer des jeux de données pour des modèles d'IA de vision. La plateforme dispose d'un étiquetage de données assisté par IA pour automatiser la création de masques et de boîtes englobantes, utilisant un système de plug-in pour connecter des modèles d'apprentissage automatique externes. Il inclut un système d'assurance qualité basé sur le consensus qui vérifie la précision des étiquettes en comparant des annotations indépendantes. Le système couvre la gestion d'équipe collaborative, l'organisation de projets par décomposition de tâches et l'intégration de stockage cloud distant. Il fournit également une API REST pour le contrôle programmatique du flux de travail et l'importation/exportation de données dans des formats standard de l'industrie.
Provides AI-powered automation to suggest or create visual annotations, significantly reducing manual labeling effort.
CVAT is an open-source, web-based platform designed for annotating images, videos, and 3D point clouds to create high-quality training datasets for machine learning. It functions as a containerized server that orchestrates the entire lifecycle of computer vision data, from initial task creation and manual labeling to quality assurance and final dataset export. The platform distinguishes itself through deep integration with machine learning models, allowing users to deploy custom AI models as serverless functions for automated object detection, tracking, and skeleton annotation. It supports co
Labels volumetric objects within three-dimensional point clouds or depth-aware data to support spatial perception tasks.