book

Scienza dei dati 3D con Python

by Florent Poux

April 2025

Intermediate to advanced

690 pages

20h 4m

Italian

O'Reilly Media, Inc.

Read now

Unlock full access

Chi dovrebbe leggere questo libro?Cosa imparerai?Perché questo libro?Una parola dell'autoreCome navigare in questo libroPrerequisitiCodice, dati e risorseConvenzioni utilizzate in questo libroUtilizzo di esempi di codiceFormazione online O'ReillyCome contattarciRingraziamenti
La scienza dei dati 3D in breveDimensioni e scienza dei dati 3DIA spaziale: dalla realtà alla virtualitàDati 3D: Elementi fondamentaliGeometria, topologia e semanticaIntegrare geometria, topologia e semanticaIntroduzione alle nuvole di punti 3DIl flusso di lavoro modulare della scienza dei dati 3DAcquisizione dei datiPreelaborazioneRegistrazioneClassificazione dei dati 3D (iniezione semantica)Strutturazione/ModellazioneAnalisi dei dati 3DVisualizzazione dei dati in 3DSviluppo di applicazioni (software)Il caso dell'automazioneSfide del flusso di lavoro nella scienza dei dati 3DLa scienza dei dati 3D nel settoreRiassunto
Risorse fondamentaliMatematicaInformaticaCompetenza sui dati 3DIntelligenza artificiale per il 3DRaccomandazioni sull'hardware per il 3DSviluppo 3D localeCloud ComputingSoftware e strumenti essenziali per il 3DSoftware di ricostruzione 3DSoftware di elaborazione dati 3DSoftware di visualizzazione 3DRiassunto
Configurazione e librerie 3D PythonScelta del sistema operativoImpostazione dell'ambienteLibrerie base di PythonLibrerie 3D PythonL'IDE di PythonCreare un programma 3D in PythonImportare dati 3D in PythonEstrazione di attributi specificiConduzione dell'analisi dei dati basata sugli attributiVisualizzazione ed esportazione di dati 3DMetodi di ricostruzione 3DRicostruzione 3D nel mondo reale (basata su sensori)Ricostruzione 3D creativaSet di dati 3D: CuratelaDati 3D dalla ricostruzione basata su immaginiScraping web multimodaleRiassunto
Rappresentazioni di dati 3DCloud 3DRappresentazioni basate su immaginiModelli volumetrici (Voxel)Rappresentazione dei dati 3D di alto livelloModelli di superficie 3DCollegamento canonico dei dati 3DDa mesh a Point CloudDa Voxel a Point CloudDa raster a Point CloudStrutture dati 3D: Alberi k-d, Octrees, BVHAlberi k-dOttomilaOrganizzazione dei fileRiassunto
Python 3D e impostazione del codiceCuratela dei dati 3DPreparazione dei dati 3DProfilazione inizialeDownsampling dei dati 3DPreelaborazione dei datiVisualizzazione dei dati in 3DEsperienza 3D multimodaleQuery sui punti di interesseSelezione manuale dei confiniTrova i punti alti e bassiVoxelizzazione della Point CloudEstrazione della copertura costruitaRiassunto
FondamentiPreelaborazione inizialeFondamenti di estrazione delle caratteristicheStrategie per l'estrazione delle caratteristiche delle nuvole di puntiEstrazione globale delle caratteristicheEstrazione di caratteristiche localiAnalisi delle componenti principaliPython e preparazione dei datiIdentificazione dei cluster con i pandaNormalizzazione dei dati 3DEstrazione delle componenti principaliVisualizzazione 3D della PCARegistrazione dei dati 3D: Prospettive unificantiFondamenti di registrazione dei dati 3DInizializzazione della registrazioneRegistrazione grossolanaPunto più vicino iterativoRegistrazione di multe: ICPRiassunto
Preparazione dell'ambiente di progetto 3DRaccolta di set di datiPython e configurazione dell'ambienteFondamenti di dati 3D con PyVistaCreazione di strutture dati 3D (KDTree)Matrice di covarianza, autovalori e autovettoriPlanarità, linearità, onnivarietà, verticalità, normalitàDefinizione e selezione del quartiereAutomazione e scalabilitàSoglia interattivaEsportazione dei risultati dei dati 3DSommario
Tipi di analisi dei dati 3DAnalisi dei dati descrittivi in 3DAnalisi dei dati esplorativi in 3DAnalisi 3D dei dati predittiviAnalisi dei dati prescrittivi in 3DConsiderazioni aggiuntiveStrumenti di analisi dei dati 3DAmbiente e preparazione dei datiAnalisi dei metadati e profilazione dei datiAnalisi della geometria e delle formeAnalisi statisticaAnalisi degli attributiStrumenti diagnostici 3DAnalisi della deviazione 3D: Caso planareAnalisi della deviazione 3D: Caso delle maglieSommario

RANSAC da zero: Riconoscimento di forme planari 3DRANSACImpostazione dei dati e dell'ambienteSelezione del modello geometricoAdattamento di forme 3DIterazione e definizione delle funzioniApplicazione 1: RANSAC per compiti di segmentazioneApplicazione 2: RANSAC per compiti analiticiApplicazione 3: RANSAC per compiti di modellazioneCrescita della regione per il rilevamento della forma 3DPrincipi di coltivazione della regioneCrescita della regione: Configurazione del mondo realeRegione in crescita: AttuazioneUn approccio ibrido: RANSAC e Region GrowingRiassunto
Meshing ad alta fedeltàPanoramica generale delle maglie 3D ad alta fedeltàLa missionePreparazione dei datiScegliere una strategia di meshAltre strategie di mesh 3DMeshing 3D con PythonCreazione di livelli di dettaglioVisualizzazione e softwareVoxel 3D e VoxelizzazioneInizializzazione dell'ambiente di PythonCaricamento dei datiCreare la griglia dei voxelGenerazione dei cubi di voxel (mesh 3D)Esporta l'oggetto mesh (.ply o .obj)Modellazione parametricaCadQuery e impostazione dell'ambienteI/O per i modelli parametrici: 2D (DXF) e 3D (STL)Tecniche di modellazione parametricaLe operazioni booleaneModellazione di vari pezziConclusioneModellazione 3D basata su immagini monoculari: Stima e ricostruzione della profonditàImpostazione dell'ambiente e installazione delle librerieRaccogliere un set di datiPreelaborazione delle immagini e impostazione del modelloPrevisioni di stima della profondità dal modelloGenerazione di Point CloudDefinizione degli intrinseci della telecameraModellazione 3D: Dalla nuvola di punti 3D alla meshRiassunto
Fase 1: Impostazione di Python 3DImpostazione dell'ambiente del progettoConfigurazione del Quaderno di progettoFase 2: Preparazione dei datiCura dei dati LiDAR aereiPreelaborazione dei dati LiDAR aereiFase 3: EsperimentiSegmentazione non supervisionata delle nuvole di puntiIsolamento del segmento della casa in 3DEstrazione dell'impronta dell'edificio in 2DEstrazione semantica e di attributiVettori da 2D a 3DCreazione di modelli 3D: MeshFase 4: Automazione e scalabilitàRiassunto
Clustering per la segmentazione non supervisionataFondamenti di clusteringRappresentatività del clusteringTipi di algoritmi di clusteringClustering k-Meansk-Means: Definizione del flusso di lavoroDefinizione del contesto di Python 3DPreelaborazione dei dati LiDARImplementazione di k-MeansDBSCAN per la segmentazione non supervisionataPrincipi di DBSCANLa strategiaSetup sperimentaleRiconoscimento di forme planari 3D con RANSACDBSCAN per la segmentazione delle nuvole di punti 3DLa struttura Multi-RANSACRaffinamento multi-RANSAC con DBSCANRaffinamento DBSCANDBSCAN contro k-MeansRiassunto
Clustering basato sulla connettivitàIl brief della missionePrincipi fondamentaliPasso 1: Configurazione dell'ambienteFase 2: Teoria dei grafi per il clustering 3DFase 3: Analisi dei graficiPasso 4: tracciare i grafici (facoltativo)Fase 5: Componenti collegati per le Point CloudsFase 6: Clustering euclideo per le nuvole di punti 3DDiscussione e prospettiveIl modello Segment AnythingLa missioneImpostazione del progetto 3DConcetti fondamentali del modello Segment AnythingProiezioni di immagini da Cloud 3D a immaginiSegmentazione non supervisionata con SAMRiassunto
Dall'apprendimento non supervisionato a quello supervisionatoConcetti di apprendimento supervisionatoClassificazione con apprendimento supervisionatoEsempio di segmentazione semantica 3DSegmentazione semantica di 3D Point CloudPython 3D e impostazione dei datiSelezione e preparazione delle caratteristicheMetriche e modelliInferenza e generalizzazioneSpecializzazione nell'apprendimento automatico in 3D con il Deep Learning in 3DRiassunto
Backbone Deep Learning in 3DArchitettura di retePreparazione dei datiFormazione di modelli di intelligenza artificialeServire un modello addestratoImplementazione con PyTorchInstallazione di PyTorch (con CUDA)I tensori: I blocchi di costruzioneModuli di rete neuraleDefinire una rete neurale 3DDefinizione dell'iperparametroOttimizzatore e funzioni di perditaPyTorch DataLoaderLoop di allenamento di PyTorchInferenza di PyTorchDeep Learning 3D: Le architettureReti neurali convoluzionali 3D: VoxelReti neurali grafiche 3DArchitetture basate sui punti: PointNet e Point CloudsCNN multivistaApprendimento automatico in 3D contro Deep Learning in 3DFine-Tuning, Apprendimento di Trasferimento e Aumento dei Dati 3DApprendimento per trasferimentoMessa a puntoAumento dei dati 3D: Ampliare il set di datiRiassunto
PointNet: Un'architettura di Deep Learning 3D basata sui puntiClassificazione degli oggetti 3DFondamenti di classificazione degli oggetti 3DImpostazione dell'ambienteCuratela del set di datiPointNet: Preparazione del set di datiDefinizione dell'architettura PointNetDefinizione di perdita PointNetFormazione PointNetMetriche e valutazione di PointNetInferenza PointNet nel mondo realeConsiderazioni sulla segmentazione semantica su larga scalaRiassunto
Acquisizione dati 3DPreparazione e progettazione dei dati 3DRimozione del rumoreSottocampionamentoEstrazione delle caratteristicheModellazione dati 3DRicostruzione mesh 3DVoxelizzazione di ambienti digitali 3DAlberi k-dOttomilaEstrazione semanticaClustering e segmentazione non supervisionataSegmentazione semanticaClassificazione degli oggetti 3DVisualizzazione e analisi dei dati in 3DRiconoscimento di forme 3DStrumenti di analisi dei dati 3DVisualizzatore multimodale 3D di PythonRiassunto
Progetti 3D avanzatiIA generativa per la ricostruzione 3DRegistrazione delle nuvole di punti 3D profondeModellazione semantica 3DEstrazione semantica 3D con i trasformatoriSplatting gaussiano 3D per la visualizzazione 3DAI spaziale: il futuro delle esperienze 3DComprensione della scena 3D con i vocabolari apertiRagionamento AI spaziale 3DConclusione

Content preview from Scienza dei dati 3D con Python

Capitolo 6. Ingegneria dei dati delle nuvole di punti

Questo lavoro è stato tradotto utilizzando l'AI. Siamo lieti di ricevere il tuo feedback e i tuoi commenti: translation-feedback@oreilly.com

è il momento di svelare le complessità dell'ingegneria dei dati 3D, in particolare delle nuvole di punti. Sebbene le nuvole di punti offrano una ricca rappresentazione della geometria 3D, l'estrazione di informazioni significative richiede tecniche specializzate per far fronte al rumore e alla ridondanza e per aiutare a discernere i modelli rilevanti. Abbiamo bisogno di un modo per trasformare i dati grezzi delle nuvole di punti in una forma raffinata, estraendo le caratteristiche essenziali che migliorano le prestazioni delle attività a valle come il rilevamento delle forme 3D(Capitolo 9), la classificazione(Capitolo 15) e il rilevamento degli oggetti(Capitolo 16). L'unità di base sono i nostri dati. Vogliamo perfezionarli per renderli più utili alla nostra applicazione finale.

Consideriamo un breve esempio. Immaginiamo di voler analizzare una risonanza magnetica del cervello (una selezione di slice 2D del cervello) per identificare se determinate zone sono soggette alla potenziale minaccia di un tumore. Potremmo passare l'insieme di immagini che costituiscono il nostro set di dati direttamente a un neurochirurgo esperto. Spetta alla sua esperienza interpretare la prima immagine, ripetere questa previsione sulle varie slice e quindi inviare la diagnosi e l'analisi. Questo comporta un alto ...