- 月访问
- 70.8K
- 上升18.6%环比2026 年 9 月
- 公开收入
- 未公开
- 暂无公开收入证据
- 入门价
- 免费
- 没有月付订阅价
- 首次发布
- 3 年前
- 2023-02-15 · 估算
访问
营销动作
发布、搜索与内容、引荐、促销- 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 赞 · 0 转发 · 219 浏览
在 Show HN 发布（4 分）发布
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 个月前发布页
当时 月访问 82K访问：之后 2 个月 -14%在 Show HN 发布（5 分）发布
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 个月前发布页
在 Show HN 发布（4 分）发布
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 个月前发布页
在 Show HN 发布（2 分 · 1 评论）发布
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 个月前发布页
在 Show HN 发布（1 分）发布
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 个月前发布页
第三方评测与案例拆解
获客渠道拆解、工程师评测与开源档案- 创作者原帖摘录：
- 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
- 创作者原帖摘录：
- 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
- 创作者原帖摘录：
- 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
- 创作者原帖摘录：
- 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
- 创作者原帖摘录：
- 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
- 创作者原帖摘录：
- 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
开源仓库与自部署
- GitHub 星标
- ★ 2,009
- 分支数 (Forks)
- 195
- 开源协议
- Apache-2.0 OR MIT
- 主要语言
- Python
流量来源
访问构成
渠道
- 直接访问41%
- 自然搜索31%
- 外部引荐22%
- 社交媒体5%
- 其他2%
国家/地区
- 美国26%
- 印度10%
- 英国6%
- 越南5%
- 韩国5%
搜索
站点权重 —域名注册 2017-10-27
| 关键词 | 月搜索量 |
|---|---|
| rerun | 9,280 |
| rerun robotics | 440 |
| rerun log | 350 |
| ai 3d tracking rust egui project | 200 |
| rerun python librayr uses | 110 |
流量数据：Vaneform
定价
试用：未提供 · 设企业定制档 · 观察于 2026-11-03 · 原定价页
页面与变化
关键页面
每周快照- 首页rerun.io/
- 定价rerun.io/pricing 快照 2026-11-03
- 功能rerun.io/product 快照 2026-11-03
变化
设计
白底黑字与轻量无衬线标题构成清晰层级，机械臂和彩虹数据流形成视觉焦点，细边框按钮保持工程感。
首屏预览 · 点击放大
首屏讲了什么与转化路径
“The Data Layer for Physical AI”
顶部居中排列标题、说明与双按钮，下方机械臂连接右侧彩色流线。
首屏转化路径：居中标题加按钮 + 3D 建模或立体材质对象 → 下载客户端 / 安装插件
- 品类定位锚点
色板 · 点击复制
- 字体与排版
- 7.0
- 色彩与对比
- 8.0
- 构图与留白
- 8.0
- 细节与工艺
- 8.0
- 风格辨识度
- 8.0
结构
- 字体
- Arial / monospace
- 首屏版式
- 居中标题加按钮
- 主视觉
- 3D 建模或立体材质对象
- 转化动作
- 下载客户端 / 安装插件
- 信任背书
- 无显式背书
- 导航
- 顶部通栏导航
- 明暗与密度
- 浅色 · 留白多
- 圆角与层级
- 小圆角 · 有阴影
预览 AI 设计说明全文（含 :root CSS 变量与版式规则）只写风格参数，禁止复刻该产品的品牌名、标志、文案与图片
# 设计说明：3D 拟物（兼备极简单色）
3D 渲染物件、柔光与材质感，按钮和卡片有体积。
## 设计参数
```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;
}
```
色彩面积配比：背景 #FFFFFF（约 79%） · 面板 #F4F4F4（约 6%） · 正文 #0A0A0A（约 4%） · 次要文字 #626262（约 3%） · 强调 #70C5D0（约 8%）。背景与面板占绝大部分面积，强调色只用于主按钮与当前激活状态。
## 版式与转化结构
- 首屏版式：居中标题加按钮
- 导航结构：顶部通栏导航
- 明暗与密度：浅色 · 留白多
- 圆角与层级：小圆角；用阴影区分层级
- 主视觉载体：3D 建模或立体材质对象
- 转化动作：下载客户端 / 安装插件
- 标题切入点：品类定位锚点
- 空间布局拆解：顶部居中排列标题、说明与双按钮，下方机械臂连接右侧彩色流线。
- 视觉特征总结：白底黑字与轻量无衬线标题构成清晰层级，机械臂和彩虹数据流形成视觉焦点，细边框按钮保持工程感。
## 避免
- 扁平线框图标混用
- 大段文字
请按上面的设计参数与版式实现界面：颜色只用这些变量，强调色只给主要操作与当前状态。只采用这种风格，禁止复刻任何参考产品的品牌名、标志、文案与图片。
问题与证据
同分类研究对象
这些产品属于同一目录分类。选型时请进一步核对客户任务、功能与部署要求。