jprve/FloorPlansV2

本数据集最初来源于CubiCasa5K数据集，该数据集可通过Zenodo在Creative Commons许可下访问。数据集经过处理，分为四个不同的标签类别：1卧室、2卧室、3卧室和没有特定卧室数量的一般平面图。

原始信息汇总

数据集概述

数据集信息

• 特征:

  • image: 图像数据
  • label: 标签数据，包含以下类别:
    • 1BR: 1 Bedroom
    • 2BR: 2 Bedroom
    • 3BR: 3 Bedroom
    • General: General Floorplans

• 分割:

  • train: 训练集
    • 字节数: 655451102.253
    • 样本数: 2831

• 下载大小: 1125812184

• 数据集大小: 655451102.253

配置

• 默认配置:
  • 数据文件:
    • train: data/train-*

数据来源

• 数据集源自CubiCasa5K，经过处理后分为以下四类标签:
  1. 1 Bedroom
  2. 2 Bedroom
  3. 3 Bedroom
  4. General Floorplans

搜集汇总

数据集介绍

构建方式

在建筑信息数字化领域，FloorPlansV2数据集源自CubiCasa5K公开资源，该资源遵循知识共享许可协议。原始数据经过系统化处理，依据卧室数量这一关键空间属性，被精细划分为四个类别：单卧室、双卧室、三卧室布局，以及未明确标注卧室数量的通用户型平面图。这一构建过程不仅保留了原始图纸的视觉细节，更通过结构化标注为机器学习模型提供了清晰的分类框架。

特点

该数据集的核心特征在于其专注于住宅户型平面图的视觉分类任务。数据集包含2831张训练图像，每张图像均标注为四种类别之一，涵盖了从紧凑单卧到宽敞三卧的常见居住空间形态，并包含通用类以增强模型泛化能力。图像以统一格式存储，确保了数据的一致性与易用性，为计算机视觉在建筑图纸自动识别与分析中的应用提供了高质量的基准资源。

使用方法

使用本数据集时，研究者可直接加载其HuggingFace平台上的默认配置，获取完整的训练集。数据以图像与分类标签对的形式组织，适用于监督学习框架下的图像分类模型训练，如卷积神经网络。典型工作流程包括数据加载、预处理、模型训练与评估，旨在开发能够自动识别并归类不同卧室数量户型图的智能系统，推动建筑设计自动化与房产分析智能化的发展。

背景与挑战

背景概述

在建筑信息模型与室内设计智能化发展的背景下，FloorPlansV2数据集应运而生，专注于住宅平面图的自动分类任务。该数据集由jprve团队于近年构建，其核心源自CubiCasa5K公开资源，通过精细化标注处理，形成了涵盖一室、二室、三室及通用型平面图的四类样本体系。这一工作旨在推动计算机视觉在建筑图纸解析领域的应用，为空间布局识别、户型智能推荐等研究方向提供了关键数据支撑，促进了设计自动化技术的演进。

当前挑战

该数据集致力于解决住宅平面图基于卧室数量的自动分类问题，其核心挑战在于平面图视觉结构的复杂性——诸如家具符号、标注文本及多样化的绘制风格等因素，均可能干扰模型对房间布局的本质理解。在构建过程中，团队面临标注一致性的难题：原始数据中卧室功能区的界定常存在模糊边界，需依赖人工判别进行标准化归类；同时，通用类样本的纳入虽增强了数据覆盖面，却也引入了类别定义上的歧义，为模型学习带来了额外的噪声。

常用场景

经典使用场景

在计算机视觉与建筑信息模型领域，FloorPlansV2数据集为户型图分类任务提供了标准化的基准资源。该数据集通过标注不同卧室数量的户型类别，支持研究者训练和评估深度学习模型，特别是卷积神经网络在图像分类中的应用。其经典使用场景包括模型性能对比、特征提取方法验证，以及跨领域迁移学习的实验平台，为自动化户型识别奠定了数据基础。

解决学术问题

该数据集有效解决了建筑图纸自动化分析中的关键学术问题，即如何从复杂平面图中精准识别卧室数量这一结构化信息。通过提供清晰标注的样本，它助力于克服图像背景干扰、尺度变化及标注歧义等挑战，推动了细粒度图像分类算法的发展。其意义在于降低了人工标注成本，提升了户型分析效率，并为智能建筑设计与房产评估研究提供了可靠的数据支撑。

衍生相关工作

围绕FloorPlansV2数据集，学术界衍生出多项经典研究工作，包括基于注意力机制的户型图解析模型、结合图神经网络的房间关系推理框架，以及跨数据集迁移学习策略的探索。这些工作不仅深化了对建筑图纸语义理解的技术边界，还促进了与室内导航、能耗模拟等领域的交叉创新，为智慧城市与数字化建筑管理贡献了算法范例。