3D视觉数据集与模型
各维度得分依据公开资料与字段推算,加权后即综合评分,仅供参考。
Omnidata 是一个围绕“从真实世界 3D 扫描生成 2D 多视角视觉数据”的开源研究项目。它的核心不是通用 AI SaaS，而是一个可参数化的 annotator pipeline：把 3D mesh、RGB/纹理、相机位姿等输入重采样为多任务视觉数据集，并输出深度、表面法线、语义、曲率、遮挡边缘、纹理边缘、2D/3D keypoints 等 21 类中层视觉线索。
项目提供 Docker 化 pipeline、CLI、Python 代码、PyTorch dataloaders、starter dataset、下载脚本与预训练模型。starter dataset 规模约为 1400 万张图像，来自 2000 个扫描空间。页面称，基于该生成数据训练的模型在深度估计和表面法线估计上具备很强的零样本性能：深度估计在 NYU、OASIS 上优于原 MiDaS 数据组合，表面法线在 OASIS 上达到 SOTA，其中某一指标达到 human-level。不过这些结论来自项目论文与页面展示，应视为研究场景下的结果。
正文未出现商业定价。项目强调 open-sourcing everything，数据、代码、预训练权重和工具均可下载；同时提供 Live Demo，用户可上传图片查看 Omnidata 模型与 baseline 的预测结果。Demo 通常约 20 秒完成，但受访问流量影响。
优点是开源完整、研究价值高，尤其适合研究数据偏差、采样分布、视角、FOV、遮挡、多视角约束对模型泛化的影响，也适合机器人导航和操作任务。缺点是它更像学术工具链而非产品化服务，使用门槛较高，需要理解 3D 数据、Docker、Python/PyTorch。模型训练数据主要是通用室内场景，若输入严重偏离该分布，如人脸、人像、风景等，性能可能下降。
Omnidata 适合计算机视觉、机器人、具身智能和 3D 几何方向的研究者或工程团队；不太适合只想要即开即用图片处理工具的普通用户。中国访问情况正文没有信息，判定为未知。支付方式未提及。若需要更产品化的数据标注/管理，可对比 Roboflow、Supervisely；若关注深度估计模型，可对比 MiDaS。需注意隐私：Demo 上传图片会进入公开 archive，除非请求移除。
本测评基于公开资料整理,不构成购买建议,请以 omnidata.vision 官网实际信息为准。
EPFL视觉研究项目，提供论文、代码和数据。
评分明细(分布与用户短评)接入中。当前展示 TG4G 综合评分,数据源自公开测评与用户反馈。