描述
Rerun 提供了一个全面的数据层，专为物理 AI 和机器人技术的复杂性而设计。其核心目标是提供构建、理解和增强数据循环所需的基本数据原始类型。该平台旨在处理多速率和多模态数据，可从最初的记录无缝扩展到 PB 级数据集。
阅读更多
Rerun 的功能涵盖整个数据管道。它在可视化所有内容方面表现出色，允许用户审查数据集、调试复杂问题，并通过自定义视图和工具扩展功能。对于数据分析，Rerun 支持跨任何机器人数据进行完整的数据框或 SQL 查询，从而能够深入分析记录。
该平台还支持在不创建副本的情况下进行数据转换，允许模式演进和添加派生列，而不会损害历史数据完整性。
一个关键的差异化优势是 Rerun 支持直接在记录上训练 AI 模型。用户可以将数据集混合表示为查询，并将数据流式传输到 GPU，利用面向列和面向视频编解码器的加载器。这消除了单独导出步骤的需要，从而简化了机器学习工作流程。此外，Rerun 通过确保每个人都使用相同的数据进行工作，提供单一的查看器和跨团队共享的记录，从而促进协作。
Rerun Hub 基础设施为这个数据循环提供支持，作为用于编目、索引和从对象存储检索数据的生产后端。这会将原始存储转换为可查询、可流式传输的基础，从而实现边缘或近数据转换。该平台是开源的，Rerun 团队积极为 egui 和 gfx-rs 等相关开源项目做出贡献。
Rerun 对于机器人、计算机视觉和 AI 开发领域的研究人员和工程师尤其有价值。它为可视化、查询、转换和训练提供了一个统一的解决方案，显著加快了开发周期并改进了复杂物理 AI 系统的调试过程。它易于在 Python、C++ 和 Rust 之间集成，使其成为各种项目的多功能工具。
- 类别MLOps 与模型部署
- 定价模式开源
- 部署云端、本地部署
- 平台网页版
Rerun的核心功能
用于构建和理解数据循环的数据原始类型
支持多速率和多模态数据
可从初始记录扩展到海量数据集
全面的数据集可视化
用于详细问题分析的调试工具
可通过自定义视图和工具进行扩展
完整的数据框和 SQL 查询功能
无需复制数据即可进行数据转换
支持模式演进而不破坏历史记录
直接在记录上进行模型训练
面向列和面向视频编解码器的加载器
共享数据访问以实现团队协作
开源且拥有活跃的社区贡献
提供 Python、C++ 和 Rust SDK
如何使用 Rerun？
入门：遵循 C++、Python 或 Rust 的快速入门指南。
记录数据：使用 Rerun 记录 SDK 记录多速率、多模态数据。
可视化：打开 Rerun 查看器以探索、调试和注释您的数据。
查询数据：利用 SQL 或数据框查询来分析记录。
转换数据：在不创建副本的情况下优化数据并演进模式。
训练模型：将数据直接从记录流式传输到 GPU 进行训练。
分享见解：使用共享记录和 Rerun 查看器与您的团队协作。
Rerun的使用案例
- 机器人数据可视化
- AI 模型训练
- 数据循环改进
- 多模态数据分析
- 实时调试
- 协作开发
- 计算机视觉工作流
- 物理 AI 研究
