2026 年最佳点云标注工具（LiDAR 项目）

一台装在测试车顶的 Velodyne VLP-16，每秒吐 30 万个点。光是这一秒钟的数据，就需要有人把行人、汽车、路沿一个个框出来，感知模型才有训练素材。LiDAR 标注就是那个决定自动驾驶团队是 6 个月发车还是卡在数据标注地狱里两年的瓶颈。

点云数据稀疏、不规则、又是三维的。图像里一个矩形就能框住一辆车，LiDAR 帧要处理的是带旋转的立方体、随距离衰减的点数、跨帧的时间一致性。选错了工具，流程不是”麻烦”，是”灾难”。

本文横向对比 2026 年最常用的 8 个点云标注平台——从今天就能装的免费开源查看器，到按交付时间返回标注数据的托管服务。先放对比表，再细讲每个工具，最后给选型建议。

点云标注工具对比表（2026）

注意：OpenPCDet 是推理/训练框架，不是标注界面。能进这张表，是因为团队常用它的预训练模型给其他工具生成预标注。

LiDAR 标注和 2D 图像标注到底差在哪

只标过 2D 图像的工程师，第一次接触点云标注会非常别扭。核心问题完全不一样。

3D 包围盒需要旋转参数。 图像包围盒就 4 个坐标（x、y、宽、高）。3D 立方体需要位置（x、y、z）、尺寸（长、宽、高）和朝向角。yaw 角差 15 度，感知模型学到的方向就是错的。

分割粒度分好几档。 语义分割给每个点打类别标签（路面、建筑、植被）。实例分割要分清 1 号车和 2 号车。全景分割是两者结合。工具对这三类支持的速度不一样，实例分割通常每帧成本是语义分割的 3-5 倍。

点数随距离衰减很快。 像 M360 这种 LiDAR，10 米内测距精度 ≤2cm，点频 200kHz，看着挺密。但同样角分辨率下，40 米的物体返回的点就少多了。一辆 40 米外的车可能只有 30-50 个点——够识别车型，但远远不够做精细分割。M360 的 IP67 防护让你能在雨天和扬尘环境采集数据，意味着标注流水线必须处理噪声大的户外场景。

跨帧时间一致性。 跟踪任务需要跨帧维持稳定 ID。如果标注员在第 1 帧框了 A 车，第 2 帧稍微偏一点，第 3 帧因为遮挡直接漏标，训练数据就是脏的。有的平台用插值自动处理，有的全靠人。

这些就是选对工具的重要性。一个为 2D 图像分类设计的平台，处理点云要么很烂，要么根本不行。

文件格式支持

LiDAR 数据格式五花八门：.pcd（PCL 默认）、.las/.laz（测绘标准）、.ply（摄影测量）、.bin（KITTI/NuScenes 自动驾驶原始格式）、.xyz/.pts（简单文本）、.e57（激光扫描）。

M360 采集的数据通常导出 .pcd 或 .bin。本文列出的商业平台基本都接受 .pcd。CloudCompare 把上面提到的格式全包圆，常常被用作格式转换中转站。Labelbox 和 V7 接受 .pcd、.las、.bin。segments.ai 和 BasicAI 聚焦 .pcd 和 .bin。SALT 接受 .bin 和自有压缩格式。测绘扫描仪出的 .laz 想标注，CloudCompare 是最稳的转换路径。

CloudCompare

CloudCompare 是免费、开源的 3D 点云处理工具。能做可视化、分割、距离计算，靠插件做手工标注。它本身不是标注平台，而是带标注功能的点云查看器和编辑器。

强项：格式支持。.pcd、.las、.laz、.ply、.xyz、.e57，加上几十种专有格式，全能读。十亿级点云靠八叉树 LOD 流畅渲染，内置分割、平面拟合、距离测量工具。学术研究者和测绘人员不花钱、不上商业平台就能查看标注，CloudCompare 是默认起点。

量产标注短板：没有团队协作、没有 AI 自动标注、没有跨帧跟踪。立方体绘制体验比 V7、segments.ai 差一截。适合单人研究和一次性项目，团队级量产标注得换工具。把 CloudCompare 当作数据检查和转换层，预算为 0、量不大时它就够。

Labelbox

Labelbox 把自己定位成企业级数据标注平台，能力清单覆盖 3D 点云。支持立方体标注、语义分割、多传感器融合（相机 + LiDAR + 雷达同步时间线）。

强项是分类目录和本体管理。模型辅助标注流水线允许你上传模型预标注，排队人工复核，统计标注员与共识的一致性。

价格大约 1250 美元/月平台版起步，是较贵的选项之一。企业版含托管服务、SLA、专属支持，适合数百万帧跨项目的大公司。小型自动驾驶团队用不到这个层级。

适合需要企业治理、审计日志、复杂工作流管理的组织。财富 500 强运营多条产品线的标注项目，Labelbox 的开销划得来。

V7 Labs

V7 Labs 走”先自动标注，人再校对”的路线。上传点云，平台跑内置模型生成初始标注，人工审校纠错。标准类别（汽车、行人、卡车）下，自动标注准确率高到人工其实在做验证而不是从零画框。

3D 查看器在立方体旋转上用点击拖拽，比大多数竞品快。支持 3D 语义分割和点云多边形标注，视频序列有跟踪插值。

299 美元/月平台版，处在中等价位。还提供托管标注服务，按项目按量计费。适合想快速启动、之后逐步把标注收回来的团队。短板：导出格式偏死板，非标准格式得自己写转换脚本。

segments.ai

segments.ai 是靠点云分割打出名气的平台。立方体标注、语义/实例分割，界面专为 LiDAR 设计，不像从 2D 改过来的。

分割质量突出。处理密集点云（200kHz 高频传感器那种）很顺，带跨帧插值工具维持一致性。标注员可以在帧间传播标签，人工纠错，重复劳动少。

预标注用你自己的模型——上传预测结果，平台呈现给人工审校。模型在环（model-in-the-loop）这套已经是行业标配，segments.ai 实现得干净，预测和修正之间的差异视图清晰。

199 美元/月起步版，是较便宜的商业选项之一。UI 直觉好，新标注员几小时内就能产出可用立方体。做分割密集型 LiDAR 项目又没 Scale AI 托管服务预算，segments.ai 性价比合适。

BasicAI Cloud

BasicAI Cloud 是带 3D 点云能力的托管标注平台。支持立方体标注、语义分割、多传感器标注。差异点是 AI 辅助预标注加自有标注员团队，可以走托管服务合同。

自服务平台 300 美元/月左右起步，托管标注按任务计费。需要”有时候自服务、有时候全托管”灵活性的团队，BasicAI 填补了这块空白。

支持 .pcd、.bin、.las。自动驾驶标准类别标注质量稳。冷门类别或垂直领域物体需要详细指南，交付周期会变长。

SALT（Scale AI）

SALT 是 Scale AI 用来自动做 3D 标注的自研模型。Scale 内部用 SALT 做预标注再交给人工审校，客户也能通过 Scale API 直接拿 SALT 生成的预标注。自动驾驶标准类别下，SALT 的预标注准确率够高，人工专注处理边缘案例。

Scale AI 在量级上和本文其他平台不同，它不只是软件还是标注劳动力。你上传原始 LiDAR 数据，几天内拿到标注好的帧，处理传感器融合标注，自动驾驶基准的标注指南是公开的。

代价是成本和灵活性。Scale 按任务计费，不按席位，量大就贵。复杂类别更慢更贵，还要看交付周期——需要快速迭代标注指南的话，比不上自有标注员。

SALT 生成的预标注即使不用 Scale 托管服务也有用。下载 SALT 预测结果，导入 segments.ai 或 V7 做人工审校，付给 Scale 的只是模型预测的钱。

Supervisely

Supervisely 是覆盖整个 CV 流水线的平台——标注、模型训练、部署、推理，一个环境搞定。支持 3D 点云的立方体、多边形、分割标注。开源版（Apache 2.0）跑在你自己的基础设施上；企业版带托管云和官方支持。

把 Supervisely 和纯标注工具区分开的是模型库。可以把预训练模型（PointNet++、PointPillars、自有 checkpoint）直接套到你的数据上做自动标注。Supervisely 跑推理、出预测、把结果送进标注界面给人工审校。

团队协作功能强，支持角色访问控制、带审批链的标注流程、标注员速度和一致率的详细分析。大型标注团队里，这些管理功能比查看器花哨更重要。

短板：复杂度高。Supervisely 有学习曲线。配模型库、配训练流水线、管理多团队项目，需要熟悉平台的人。适合需要”一站式覆盖整条 CV 流水线”的团队，50+ 标注员规模、需要质量管理工具时，学习成本划得来。

OpenPCDet

OpenPCDet 值得提一下，虽然它不是标注 UI。它是基于 PyTorch 的开源 3D 目标检测框架，有 KITTI、NuScenes、Waymo Open Dataset 上的预训练模型。

团队把 OpenPCDet 用在标注流水线里的方式：训练（或下载）一个检测模型，把推理跑在自己的采集数据上，把预测导出为预标注，再导入选定的标注平台做人工审校。这套流程能砍掉大量人工。

举个例子：把 OpenPCDet 指向 M360 装备的测试车采集的 .bin 文件，几秒钟拿到预测立方体，把预测送进 V7 或 segments.ai 做人工修正。标注员的工作从”从零画框”变成”修模型画错的框”，效率提升 5-10 倍。

OpenPCDet 免费跑在你自己的 GPU 上。预训练模型开箱即用，对标准类别效果还行。垂直领域物体得在自己数据上微调——先有鸡还是先有蛋，但先标一小批就能解。

自动化趋势：SAM-3D 和大模型

大模型正在改变点云标注。Meta 的 Segment Anything Model（SAM）重塑了 2D 图像分割；SAM-3D 和类似项目把这个思路扩展到 3D 点云。一次 SAM-3D 提示就能在多帧间分割同一物体，几乎不用人工干预。

CVML（Computer Vision Markup Language）和相关标准化工作致力于让标注格式跨平台互通。CVML 普及后切换标注平台更容易，导出一次、到处可导入。

对大多数团队，这些趋势是工作流改进，不是等待的理由。用现有工具先标起来，预训练模型辅助功能成熟了就用。等待”完美工具”的代价通常高于自动化的生产力提升。

成本对比：每帧标注价格

自动驾驶团队用 AI 预标注标 10 万帧，标注成本通常在 3 万–10 万美元之间。纯人工自有团队成本主要在工资上，单帧费用低——盈亏平衡取决于团队规模和利用率。

选型指南（按场景）

小型机器人创业团队（10 人以下）： 先用 Hasty.ai 或 V7 的免费版做概念验证。3D 分割成为瓶颈时换 segments.ai（199 美元/月）。用 OpenPCDet 拿免费预标注。

自动驾驶团队（50–500 人）： Scale AI 做托管标注，V7 或 segments.ai 做内部审校工作流。预算 20 万–200 万美元/年，看数据量。

学术实验室（预算 0）： CloudCompare 做可视化，OpenPCDet 跑预训练模型，需要团队功能就用 Label Studio 自定义标注工作流。

多标注项目的大企业： Labelbox 治理强，或 Supervisely 一站式流水线带团队管理。

测绘/建图（户外大面积）： CloudCompare 处理 .las/.laz，segments.ai 出标注好的点云。M360 这种 IP67 防护的传感器适合户外采集，配一个能处理环境噪声的标注平台。

实操建议

大多数团队不需要第一次就把工具选对。先用免费版或试用版，标 500–1000 帧样本，评估导出质量再定下来。标了几百帧后切换工具，烦但不致命。标了 5 万帧后再换，痛苦。

数据采集端对标注难度的影响大于工具选择。用正确安装的传感器（像 M360 那种 200kHz、IP67 防护适合户外环境的型号）采到干净点云，标起来更轻松。看看 M360 vs MID-360 对比 了解传感器参数如何影响下游标注需求。

标注指南和工具同等重要。花一周写清晰的指南，配示例图和边缘案例处理，再培训标注员。工具保证质量下限，指南定义质量上限。

需要帮你设计匹配 LiDAR 传感器和数据量的标注流水线？联系我们的团队——我们每天和机器人团队打交道，做传感器集成和数据流水线决策。