【免费下载】 Habitat-Matterport 3D 数据集下载及安装教程
1. 项目介绍
Habitat-Matterport 3D 数据集(HM3D)是由 Facebook Research 和 Matterport 合作开发的一个大规模 3D 室内空间数据集。该数据集包含了 1000 个高分辨率的 3D 扫描(或数字孪生),涵盖了住宅、商业和市政建筑等多种场景。HM3D 数据集旨在为学术和非商业研究提供支持,研究人员可以使用 FAIR 的 Habitat 模拟器来训练具身代理(如家庭机器人和 AI 助手)。
2. 项目下载位置
要下载 Habitat-Matterport 3D 数据集,请访问项目的 GitHub 仓库。你可以通过以下命令克隆仓库:
git clone https://github.com/facebookresearch/habitat-matterport3d-dataset.git
3. 项目安装环境配置
在安装项目之前,请确保你的系统满足以下环境要求:
- Python 3.8.3
- Conda 环境
- Habitat-Sim
- Trimesh
环境配置步骤
-
安装 Conda: 如果你还没有安装 Conda,请先安装 Anaconda 或 Miniconda。
-
创建并激活 Conda 环境: 使用以下命令创建并激活一个新的 Conda 环境:
conda create -n hm3d python=3.8.3 conda activate hm3d -
安装 Habitat-Sim: 使用 Conda 安装 Habitat-Sim:
conda install habitat-sim headless -c conda-forge -c aihabitat -
安装 Trimesh: 使用 pip 安装 Trimesh:
pip install "trimesh[easy]==3.9.1" -
安装其他依赖项: 使用以下命令安装项目所需的其他依赖项:
pip install -r requirements.txt
环境配置示例图片

4. 项目安装方式
在完成环境配置后,你可以按照以下步骤安装 Habitat-Matterport 3D 数据集:
-
克隆仓库: 使用以下命令克隆 GitHub 仓库:
git clone https://github.com/facebookresearch/habitat-matterport3d-dataset.git cd habitat-matterport3d-dataset -
设置 PYTHONPATH: 将项目路径添加到 PYTHONPATH 中:
export PYTHONPATH=$PYTHONPATH:$PWD -
下载数据集: 根据 Habitat-Sim 的官方教程下载所需的数据集,并将其路径设置为环境变量。例如:
export HM3D_ROOT=<PATH TO HM3D glbs>
5. 项目处理脚本
Habitat-Matterport 3D 数据集提供了多个处理脚本来帮助你进行实验和分析。以下是一些常用的脚本:
- scale_comparison:用于比较 HM3D 与其他数据集的规模。
- quality_comparison:用于比较 HM3D 与其他数据集的重建完整性和视觉保真度。
- pointnav_comparison:用于训练和评估 PointNav 代理在 HM3D 和其他数据集上的表现。
每个目录下都提供了详细的 README 文件,指导你如何运行相应的实验。
示例脚本
# 运行 scale_comparison 实验
cd scale_comparison
python run_experiment.py
通过以上步骤,你可以成功下载、安装并运行 Habitat-Matterport 3D 数据集。希望这篇教程对你有所帮助!
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00