ShapeNet数据集是一个大规模、注释丰富的3D形状数据集，由普林斯顿大学、斯坦福大学和芝加哥丰田技术学院的研究人员共同开发。该数据集包含超过300万个3D CAD模型，其中220,000个模型被分类到3135个类别中。

ShapeNet数据集相关链接：

数据集的特点

1. 分类和组织：
   • ShapeNet按照WordNet的层级结构组织，每个有意义的概念被称为“同义词集”或“同义词组”，数据集中有超过10万个同义词集。
   • 数据集涵盖了多个常见物体类别，如椅子、桌子、汽车等，具体包括55个常见物体类别（ShapeNetCore）和270个更细粒度的类别（ShapeNetSem）。
2. 注释信息：
   • 每个3D模型都提供了丰富的语义标注，包括一致的刚性对准、零件和双边对称平面、物理尺寸、关键字等。
   • 数据集还提供了点云数据、标签、图片等元数据，用于关联物体类别和目录文件。
3. 子集：
   • ShapeNetCore：包含约51,300个独特的3D模型，覆盖了PASCAL 3D+数据集中的12个物体类别。
   • ShapeNetSem：包含12,000个模型，覆盖270个类别，注释更密集，包括真实世界尺寸、材料组成估计、体积和重量估计。
   • ShapeNet Parts：包含16,881个模型，标记了50个零件标签，每个形状分为2到5个部分。
4. 应用领域：
   • ShapeNet广泛应用于计算机图形学、计算机视觉、机器人学等领域的研究，特别是在3D形状分类、分割、检索和生成等任务中。
   • 数据集还被用于训练和评估深度学习模型，如点云分类、分割和生成模型。

数据集的使用

• 下载和访问：用户可以通过ShapeNet的官方网站（shape.net ）或HuggingFace等平台下载数据集。
• 数据格式：数据集通常以h5文件格式存储，包含点云数据和对应的标签。
• 实验和模型训练：许多研究和项目基于ShapeNet进行实验，例如使用PyTorch、TensorFlow等框架进行模型训练和测试。

总结

ShapeNet是一个重要的3D形状数据集，为计算机图形学和计算机视觉领域的研究提供了丰富的资源。其注释丰富、分类细致、覆盖范围广，使其成为3D形状分析和处理任务的理想选择