懂AI
Mask3D

Mask3D

改进3D语义实例分割方法，兼容多种数据集

Mask3D是一个提升3D语义实例分割的开源项目，支持ScanNet、ScanNet200、S3DIS和STPLS3D数据集。项目集成了PyTorch、PyTorch Lightning和Hydra工具，提供高效的架构和训练流程，包括数据预处理、模型训练与测试。此外，Mask3D在多个挑战中表现优异，包括在ECCV 2022的Urban3D挑战中获得第二名。

Mask3D3D实例分割ScanNetPyTorchICRA 2023Github开源项目
访问官网GitHub论文

Mask3D 项目介绍

什么是 Mask3D？

Mask3D 是一款用于3D实例分割的先进算法工具，采用了Mask Transformer技术，可以在3D环境中准确识别和划分不同的语义实例。通过Mask3D，研究人员在多个数据集上达到了最先进的实例分割性能，比如ScanNet、ScanNet200、S3DIS和STPLS3D等。这一项目由来自多个学术机构和公司，包括RWTH Aachen University、ETH Zurich和NVIDIA的研究人员合作开发。

主要特点

  • 多数据集支持：Mask3D在多个广泛使用的3D数据集上进行了测试和验证，展示了非凡的性能。这些数据集包括ScanNet、ScanNet200、S3DIS和STPLS3D。
  • 强大的技术基础：项目采用了PyTorch作为主要的深度学习架构，并使用Lightning和Hydra进行配置管理。
  • 广泛的社区和文档支持：项目代码开源并有详细的设置文档和演示，帮助研究人员和开发者快速上手。

项目代码结构

Mask3D 的代码结构基于Mix3D框架，代码以模块化设计为特色，便于开发者理解和扩展：

  • mix3d：主文件和配置文件所在地，含数据集和模型相关的多个子模块。
  • datasets：包含数据预处理脚本和相关工具。
  • models：封装了Mask3D核心模型模块。
  • trainer：训练模块，包括训练循环等。
  • utils：辅助工具和通用函数。

依赖环境

为了顺利运行Mask3D，项目要求如下主要依赖环境：

  • Python 版本：3.10.9
  • CUDA 版本：11.3

可以通过conda安装并配置项目所需的环境：

export TORCH_CUDA_ARCH_LIST="6.0 6.1 6.2 7.0 7.2 7.5 8.0 8.6"
conda env create -f environment.yml
conda activate mask3d_cuda113

数据预处理

Mask3D需要对原始数据进行一定的预处理，以确保数据适合模型输入。目前支持的预处理方法包括针对ScanNet、S3DIS和STPLS3D数据集的专用脚本。处理后的数据集将被存储在data/processed目录下。

训练与测试

在准备好预处理数据后，用户可以开始对Mask3D进行训练和测试。以下示例展示如何在ScanNet数据集上进行训练：

python main_instance_segmentation.py

可以通过修改配置脚本进行自定义训练和测试流程，详细配置文件可以在scripts目录下找到。

训练好的检查点

Mask3D提供了多个经过训练和验证的模型检查点，用户可以直接下载并进行推理或进一步的微调。这些检查点在不同的数据集上展示了优越的性能指标。

项目亮点

  • Mask3D是由多个国际知名院校的学者及NVIDIA研究人员合力完成的前沿研究项目。
  • 已在国际会议ICRA 2023上发表，并在多个比赛中表现优异。
  • 项目负责人和团队成员通过论文、详细文档、以及代码库积极推动3D实例分割领域的发展。

请在使用时引用原作者的论文，以尊重原作者的学术贡献。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表

爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型，支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。

olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多