- 每月造訪次數
- 70.8K
- 上升18.6%較上月2026 年 9 月
- 公開營收
- 未公開
- 暫無公開營收證據
- 入門價
- 免費
- 沒有月付訂閱價
- 首次發布
- 3 年前
- 2023-02-15 · 估算
訪問
行銷動作
發布、搜尋與內容、引薦、促銷- 3/4 Time-series plots now show all visible series in one tooltip. Raw data-point markers can stay visible. Cursor-relative ranges keep following playback after zooming or panning.
@rerundotio · 2026-09-22 · 1 贊 · 0 轉發 · 219 瀏覽
在 Show HN 發布（4 分）發布
Your 3D Scan Labels Are Trash — I spent a bunch of time digging into the ARKitScenes dataset and built a pipeline that takes as input the raw data (arkit poses/low resolu…
8 月 18 日 · 3 個月前發布頁
當時 每月造訪次數 82K訪問：之後 2 個月 -14%在 Show HN 發布（5 分）發布
Egocentric and Exocentric Body Caputre from iPhones only — From 8 -> 5 -> 4 exocentric cameras, all visualized with rerun.io. I've been working on human pose capture for robotics training data and…
2025 年 10 月 10 日 · 13 個月前發布頁
在 Show HN 發布（4 分）發布
Multiview Hands Only Pose Estimation — Hands‑only multi‑view hand pose pipeline with a browser demo in Rerun. Outputs: per‑view 2D keypoints + boxes, 3D keypoints, MANO joint an…
2025 年 9 月 30 日 · 14 個月前發布頁
在 Show HN 發布（2 分 · 1 評論）發布
Building a self collected multiview mocap studio for robot training — MVP of Multiview Video → Camera parameters + 3D keypoints. The basic pipeline as of right now looks like this: 1. Capture – Using 4 iPhone…
2025 年 5 月 9 日 · 18 個月前發布頁
在 Show HN 發布（1 分）發布
Camera Calibration Using VGGT — Continuing with my robot training collection pipeline, one of the challenges has been obtaining calibrated cameras from sparse multi-view…
2025 年 3 月 25 日 · 20 個月前發布頁
第三方評測與案例拆解
客戶來源管道拆解、工程師評測與開源檔案- 創作者原帖摘錄：
- Rerun 0.21 comes with a new graph viewer that's written in Rust and runs in the browser via wasm. It's powered by a new force based layout engine that is a port of much of d3-force to Rust. (The release also contains some other cool stuff like undo/redo implemented on top of a timeseries DB.) We built this with applications in robotics and spatial computing
- 創作者原帖摘錄：
- I’m developing a straightforward method to collect first-person (ego) and third-person (exo) data for robotic training. I’ve been using the HO-cap dataset to establish a baseline, and here are some updates I’ve made: * added in MANO parameters * added TSDF fused mesh from realsense camera to better visualize dataset and potentially set the stage for a gsplat
- 創作者原帖摘錄：
- Continuing with my robot training collection pipeline, one of the challenges has been obtaining calibrated cameras from sparse multi-view inputs. I previously worked with Dust3r but found its accuracy insufficient for generating reliable camera parameters. Recently, Meta released VGGT—Visual Geometry Grounded Transformer—which improves both inference speed a
- 創作者原帖摘錄：
- MVP of Multiview Video → Camera parameters + 3D keypoints. The basic pipeline as of right now looks like this: 1. Capture – Using 4 iPhones and an Insta360 Go. iPhone videos are captured via Final Cut Pro Multicam for easy sync and the exocentric view; the Insta360 Go is used for the egocentric view. 2. Sync – Custom Gradio app using two @rerundotio viewers
- 創作者原帖摘錄：
- Hands‑only multi‑view hand pose pipeline with a browser demo in Rerun. Outputs: per‑view 2D keypoints + boxes, 3D keypoints, MANO joint angles & shape (all predictions, not GT). Four stages: camera estimation → shape calibration → 2D keypoints → pose optimization. Known issues: not real‑time (~5 min for 30s/8 views on a 5090), too many cameras (target: 2 exo
- 創作者原帖摘錄：
- From 8 -> 5 -> 4 exocentric cameras, all visualized with rerun.io. I've been working on human pose capture for robotics training data and have started making it more accessible by dropping the number of cameras used and collecting my own data to make sure I'm not overfitting to open-source datasets. I've made lots of improvements to the calibration code and
開源倉庫與自部署
- GitHub 星標
- ★ 2,009
- 分支數 (Forks)
- 195
- 開源協議
- Apache-2.0 OR MIT
- 主要語言
- Python
流量來源
訪問構成
管道
- 直接訪問41%
- 自然搜尋31%
- 外部引薦22%
- 社交媒體5%
- 其他2%
國家/地區
- 美國26%
- 印度10%
- 英國6%
- 越南5%
- 南韓5%
搜尋
站點權重 —網域名稱註冊 2017-10-27
| 關鍵字 | 月搜尋量 |
|---|---|
| rerun | 9,280 |
| rerun robotics | 440 |
| rerun log | 350 |
| ai 3d tracking rust egui project | 200 |
| rerun python librayr uses | 110 |
流量資料：Vaneform
定價
試用：未提供 · 設企業客製化檔 · 觀察於 2026-11-03 · 原定價頁
頁面與變化
關鍵頁面
每週快照- 首頁rerun.io/
- 定價rerun.io/pricing 快照 2026-11-03
- 功能rerun.io/product 快照 2026-11-03
變化
設計
白底黑字與輕量無襯線標題構成清晰層級，機械臂和彩虹資料流形成視覺焦點，細邊框按鈕保持工程感。
首屏畫面預覽 · 點擊放大
首屏畫面講了什麼與轉化路徑
“The Data Layer for Physical AI”
頂部居中排列標題、說明與雙按鈕，下方機械臂連接右側彩色流線。
首屏畫面轉化路徑：居中標題加按鈕 + 3D 建模或立體材質對象 → 下載用戶端 / 安裝外掛
- 品類定位錨點
色板 · 點擊複製
- 字體與排版
- 7.0
- 色彩與對比
- 8.0
- 構圖與留白
- 8.0
- 細節與工藝
- 8.0
- 風格辨識度
- 8.0
結構
- 字體
- Arial / monospace
- 首屏畫面版式
- 居中標題加按鈕
- 主視覺
- 3D 建模或立體材質對象
- 轉化動作
- 下載用戶端 / 安裝外掛
- 信任背書
- 無顯式背書
- 導航
- 頂部通欄導航
- 明暗與密度
- 淺色 · 留白多
- 圓角與層級
- 小圓角 · 有陰影
預覽 AI 設計說明全文（含 :root CSS 變量與版式規則）只寫風格參數，禁止復刻該產品的品牌名、標誌、文案與圖片
# 設計說明：3D 擬物（兼備極簡單色）
3D 渲染物件、柔光與材質感，按鈕和卡片有體積。
## 設計參數
```css
:root {
--background: #ffffff;
--surface: #f4f4f4;
--foreground: #0a0a0a;
--muted-foreground: #626262;
--accent: #70c5d0;
--radius: 4px;
--font-heading: "Arial", ui-sans-serif, system-ui, sans-serif;
--font-body: "Arial", ui-sans-serif, system-ui, sans-serif;
--font-mono: "monospace", ui-monospace, monospace;
}
```
色彩面積配比：背景 #FFFFFF（約 79%） · 面板 #F4F4F4（約 6%） · 正文 #0A0A0A（約 4%） · 次要文字 #626262（約 3%） · 強調 #70C5D0（約 8%）。背景與面板占絕大部分面積，強調色只用於主按鈕與當前激活狀態。
## 版式與轉化結構
- 首屏畫面版式：居中標題加按鈕
- 導航結構：頂部通欄導航
- 明暗與密度：淺色 · 留白多
- 圓角與層級：小圓角；用陰影區分層級
- 主視覺載體：3D 建模或立體材質對象
- 轉化動作：下載用戶端 / 安裝外掛
- 標題切入點：品類定位錨點
- 空間布局拆解：頂部居中排列標題、說明與雙按鈕，下方機械臂連接右側彩色流線。
- 視覺特徵總結：白底黑字與輕量無襯線標題構成清晰層級，機械臂和彩虹資料流形成視覺焦點，細邊框按鈕保持工程感。
## 避免
- 扁平線框圖示混用
- 大段文字
請按上面的設計參數與版式實現介面：顏色只用這些變量，強調色只給主要操作與當前狀態。只採用這種風格，禁止復刻任何參考產品的品牌名、標誌、文案與圖片。
問題與證據
同分類研究對象
這些產品屬於同一目錄分類。選型時請進一步核對客戶任務、功能與部署要求。