Hexagon把点云分割模型搬上AWS训练，80天缩到4天

做测绘、激光扫描和工业测量的瑞典公司Hexagon，把点云分割模型的预训练从自己的机房搬到了AWS上，训练一次的时间从约80天缩到约4天。这个案例最早由AWS机器学习博客在2026年2月23日发布，作者里有Hexagon中央AI团队和AI工程团队的负责人；AI Magazine在10月中旬又做了一篇回顾。

训的是什么模型

Hexagon训练的是专门的点云分类和分割模型，输入是激光扫描得到的三维点云，也就是大量记录物体外表面位置的测量点。用途有几类：移动测绘车采集的道路数据建模，用来搭城市数字孪生；重型工程机械的现场决策；以及点云预处理，比如去掉粉尘和传感器噪声产生的杂点、区分地面类型、剔除车辆和行人这类移动物体只保留固定物体。博客列出的应用行业包括建筑、采矿、制造、农业、汽车和航空航天。

换了什么

训练集群用的是SageMaker HyperPod，6台ml.p5.48xlarge实例，每台8块英伟达H100，节点之间用EFA高速网络。训练数据有TB级，放在S3，通过FSx for Lustre以每秒数GB的速度流式读入，检查点再写回S3。HyperPod会自动发现坏节点、替换后从最近的检查点续训，这对动辄几周的长训练是关键。实验记录用托管的MLflow，GPU容量通过Training Plans提前预留，可以订1天到6个月。

结果按博客的说法：训练时间从本地约80天降到约4天，减少95%；首次训练部署几个小时就完成；更大的batch size让模型精度有所提升，但没给具体数值。这是AWS和Hexagon联合署名的客户案例，没有第三方测试。

点云处理是Hexagon测绘和现实捕捉产品的底层能力，训练周期从近三个月缩到不到一周，意味着同样一年里，新的识别任务可以多迭代很多轮。

资料来源