如何用Label Studio完成Point-E点云语义分割标注？

点云语义分割需要大量带标签的训练数据，但人工在三维空间中逐点标记类别非常耗时。Label Studio 作为开源数据标注平台，不仅支持图像和文本，也提供点云数据的可视化与分割标注功能。对于使用 Point-E 生成的物体点云，可以将其导出为 PLY 文件，再通过 Label Studio 配置分割标签模板，完成逐点语义标注。标注结果能导出为 JSON，转换为模型训练所需的标签文件。

一、Label Studio 点云标注环境准备

Label Studio 的安装方式比较简单，推荐使用 pip 把核心包安装到独立的 Python 虚拟环境中。执行以下命令即可完成基础安装：

pip install label-studio

安装完成后，在终端运行 label-studio start 命令，默认会在本机 8080 端口启动 Web 服务。首次启动时需要创建一个管理员账号，随后就可以进入项目管理界面。如果点云文件体积较大，建议把 Label Studio 部署在带有 GPU 的服务器上，并配合本地文件存储或对象存储使用，避免频繁上传带来的网络开销。

创建新项目后，需要先完成标注配置。Label Studio 使用 XML 格式的标签模板定义标注工具，点云语义分割通常需要 <PointCloud> 标签来声明点云数据源，再配合 <BrushLabels> 和 <PolygonLabels> 提供画笔与多边形标注能力。下面是一份基础配置示例：

<View>
  <PointCloud name="pointcloud" value="$pointcloud" />
  <BrushLabels name="brush_labels" toName="pointcloud">
    <Label value="汽车" background="#FF0000" />
    <Label value="地面" background="#00FF00" />
    <Label value="行人" background="#0000FF" />
  </BrushLabels>
  <PolygonLabels name="polygon_labels" toName="pointcloud">
    <Label value="建筑物" background="#FFFF00" />
    <Label value="植被" background="#FF00FF" />
  </PolygonLabels>
</View>

在 <BrushLabels> 中定义的标签会以画笔形式出现，适合精细地逐点涂刷；而 <PolygonLabels> 则用于多边形框选某一区域内的所有点。两类工具可以同时存在，标注人员可以根据物体的边界复杂度灵活切换。配置保存后，Label Studio 会自动生成对应的三维标注界面。

二、导入 Point-E 点云并配置标注界面

Point-E 生成的点云通常保存为 PLY 格式，其中包含每个顶点的坐标和颜色信息。Label Studio 本身不直接读取本机文件，而是通过任务数据中的 pointcloud 字段加载点云 URL 或服务器路径。因此需要先把 PLY 文件放到 Label Studio 可以访问的位置，例如项目目录下的 data 文件夹或一个静态文件服务中。

导入任务可以使用 JSON 文件批量完成。每个任务的 data 对象中通过 pointcloud 字段指定文件路径，示例结构如下：

[
  {
    "data": {
      "pointcloud": "/data/point_e_car.ply"
    }
  },
  {
    "data": {
      "pointcloud": "/data/point_e_chair.ply"
    }
  }
]

如果文件数量较多，可以通过 Python 脚本遍历目录自动生成这个 JSON 文件。需要注意的是，路径应当是 Label Studio 后端能够访问的绝对路径或相对路径，如果使用 Docker 部署，要确保路径已挂载到容器内部。此外，Label Studio 支持 PLY、PCD、LAS 等常见点云格式，Point-E 输出的 PLY 直接可用，无需额外转换。

完成导入后，进入标注任务，界面中会显示三维点云视图。左侧标签面板中的不同颜色对应不同语义类别，标注人员可以旋转、缩放点云，从多个角度观察物体结构。对于边界清晰的大块区域，先用多边形工具圈选可以快速完成；对于边缘细小的部分，再切换为画笔工具进行修正。这种组合方式能显著提升标注效率。

三、点云语义分割标注操作与结果导出

在标注过程中，画笔工具会根据鼠标轨迹选中视锥范围内的点，并在这些点上记录当前选中的标签索引。多边形工具则通过闭合多边形投影到点云上，选中多边形内部的点。两种操作的结果都会写入标注结果的 result 数组中，每个元素记录工具类型、选中的点索引列表以及标签值。标注人员可以反复修改，最终形成的标注文件包含了完整的逐点语义信息。

点击项目右上角的 Export 按钮，选择 JSON 格式即可导出标注结果。导出的文件结构与任务数据相对应，其中 annotations 数组的每个元素代表一个任务的标注结果。为了将标注数据用于分割模型训练，通常需要把 JSON 中的点索引和标签转换为 numpy 数组，与原始点云坐标对齐。下面是一段 Python 转换示例：

import json
import numpy as np
import open3d as o3d

def load_labels(annotation_path, pcd_path):
    # 读取点云和标注结果
    pcd = o3d.io.read_point_cloud(pcd_path)
    points = np.asarray(pcd.points)
    labels = np.zeros(len(points), dtype=np.int32)

    with open(annotation_path, 'r', encoding='utf-8') as f:
        annotations = json.load(f)

    # 根据实际导出的结构遍历标注结果
    for ann in annotations:
        results = ann.get('annotations', [{}])[0].get('result', [])
        for item in results:
            if item.get('type') == 'brushlabels':
                idxs = item['value'].get('points', [])
                label_name = item['value'].get('brushlabels', [''])[0]
                label_id = 1  # 可按类别名称映射成整数
                labels[idxs] = label_id
            elif item.get('type') == 'polygonlabels':
                idxs = item['value'].get('points', [])
                label_name = item['value'].get('polygonlabels', [''])[0]
                label_id = 2
                labels[idxs] = label_id

    np.save('semantic_labels.npy', labels)
    return labels

实际项目中建议维护一个标签名称到整数 ID 的映射字典，并处理同一批任务中多次标注的合并逻辑。转换后的标签数组可以直接作为 PointNet++、RandLA-Net 等分割模型的监督信号。如果模型需要颜色信息，也可以将 RGB 通道与标签一并保存为 HDF5 文件，方便训练时随机采样。

四、结合预标注模型提升标注效率

当点云规模较大时，完全依赖人工标注会非常低效。Label Studio 支持通过 ML backend 接入预标注模型，模型可以对导入的点云进行初步分割，标注人员只需要修正错误区域。搭建 ML backend 的基本思路是创建一个 HTTP 服务，实现 /predict 接口，接收 Label Studio 发送的点云任务数据，返回预测的标注结果。

以轻量级分割模型为例，可以在 Flask 服务中加载预训练权重，对传入的点云文件进行推理，生成每个点的类别索引，再按照 Label Studio 要求的格式封装成 brushlabels 或 polygonlabels 结果。下面是一个简化版的 Flask 服务框架：

from flask import Flask, request, jsonify
import open3d as o3d
import numpy as np

app = Flask(__name__)

@app.route('/predict', methods=['POST'])
def predict():
    task = request.json
    pcd_path = task['data']['pointcloud']
    pcd = o3d.io.read_point_cloud(pcd_path)
    points = np.asarray(pcd.points)

    # 调用预训练分割模型，得到每个点的预测标签 id
    pred_labels = model_predict(points)

    # 构造 Label Studio 可识别的标注结果
    result = []
    for label_id in np.unique(pred_labels):
        idxs = np.where(pred_labels == label_id)[0].tolist()
        result.append({
            'type': 'brushlabels',
            'value': {
                'format': 'rle',
                'points': idxs,
                'brushlabels': [str(label_id)]
            }
        })

    return jsonify({'result': result})

def model_predict(points):
    # 此处接入真实模型推理逻辑
    return np.zeros(len(points), dtype=np.int32)

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=9090)

服务启动后，在 Label Studio 项目的机器学习设置中填写 ML backend 地址，系统会自动调用预测接口生成预标注。人员只需要处理模型置信度较低的区域，可以节省超过一半的标注时间。对于 Point-E 生成的单物体点云，如果任务相对固定，甚至可以直接用聚类或平面拟合等传统方法生成粗标签，再由人工精修。

点云语义分割Label StudioPoint-E修改时间：2026-09-27 15:40:58