企业官网建设流程全解析

做户型图数字化的人，最痛苦的往往不是算法调优，而是最开始的标注环节。我前阵子参与的一个户型数字化项目组，攒了上万张二维平面图，想自动识别出门、窗、床、冰箱这些基础元素。第一反应是去开源社区找现成检测模型，结果发现：通用目标检测模型对照片很擅长，对白底黑线的工程制图几乎无能为力；能找到的几个平面图识别项目，要么只覆盖三五类，要么标注风格跟国内设计院出图习惯差异很大，直接用起来效果非常差。折腾了两周之后，大家最大的感慨是——平面图元素识别这个方向，真正的门槛不是模型，而是数据本身。

所以当一套标注好的平面图元素识别数据集摆到面前，支持24种元素、识别率97.4%，并且直接提供YOLO、COCO JSON、Pascal VOC XML三种训练格式时，我第一反应不是拿来即用，而是想弄清楚三件事：这24类是怎么选的、97.4%到底指哪个指标、三种格式各有哪训练上容易踩的坑。这篇文章就把我实际使用这套数据训练和落地的经验拆开讲，尤其适合准备做户型图数字化、家装自动读图、图纸转BIM这类方向但还没找到合适训练数据的团队参考。

1. 为什么平面图识别这么难搞：这个数据集到底解决了什么问题

1.1 从"看到图"到"读懂图"，差的不只是画框

平面图识别和常规目标检测有一个本质区别：常规目标检测处理的是照片，有纹理、光影、颜色这些丰富的视觉线索；而平面图是二维工程制图，墙面是平行双线，门窗是图例符号，家具往往只有一个俯视轮廓。同样一个"床"，照片识别可以靠颜色和纹理，平面图只能靠长宽比、位置关系和设计院约定俗成的画法来推断。

传统目标检测模型在自然图像上预训练，直接在平面图上推理，经常把尺寸标注线、文字、指北针、地面铺装图案当成目标。这也是为什么这套专门标注的平面图元素识别数据集有价值：它的标注对象、类别定义、图像风格都是围绕"读图"这个真实场景设计的。数据分布决定了模型上限，模型结构只是把它发挥出来。

1.2 24类元素是怎么选出来的

先说一个容易踩的误区：平面图元素并不是类别越多越好。每多一个类别，就多一份标注成本和误判风险。我之前接触过一个项目，一开始想识别31类，结果标注到一半发现"空调室内机"和"空调室外机"在平面图上几乎无法区分，最后不得不合并。

这套数据集的24类基本覆盖了户型图数字化后续业务里真正用得上的元素，大致可以分成四组：

这里有一个需要特别留意的点：很多数据集会把"洗手间""卧室"这类功能区域框也作为类别，而"马桶""洗手盆"属于设备元素框。标题里提到可识别"洗手间"，如果指的是区域框，那么模型同时输出区域级和物体级两种尺度的目标，会天然存在大小框共存的问题。训练时如果区域框和家具框大量重叠，建议单独设置区域类别的置信度阈值，避免后处理阶段互相干扰。使用前务必看清楚数据集的类别定义文档，别把"房间类型"和"物体实例"混为一谈。

1.3 97.4%识别率到底是怎么算出来的

拿到任何带精度指标的数据集，第一件事是问清楚评估口径。同样是"识别率"，在目标检测领域至少有三种常见算法：

标题里的97.4%大概率指的是mAP@0.5。如果项目对定位精度有硬要求，比如后续要做家装自动布局、按检测框直接生成施工图，那我建议同时索要mAP@0.75的指标。我实测下来的经验是：平面图里的大目标（床、沙发、餐桌）在IoU从严之后掉点不大，真正掉得惨的是冰箱、灶台、洗手盆这种小尺寸设备，可能从接近100%掉到90%以下。这个差距会在"看起来很准"和"业务真正能用"之间划出一条明显的线。

2. 数据集的标注规范：识别率的上限在标注，不在模型

2.1 一个"窗户"的框到底该框住什么

标注规范是数据集质量的核心，也是最容易被使用者忽略的部分。一个"窗户"的框，到底是把整樘窗的外轮廓框进去，还是只框玻璃区域，还是"门联窗"整体算一个目标？不同设计师画的平面图，窗户画法至少有四五种：有的是四条线，有的是两条线加一条对角线，有的在弧线窗里还画了开启方向线。

一套合格的标注数据集，必须在标准里明确这几个边界问题：

• 门窗类按开启扇外轮廓的水平外接矩形标注，不包含墙体厚度线。
• 重叠元素允许框相交，但相交面积占较小框的比例建议不超过30%。
• 桌椅等成组家具，如果人眼都无法拆分，就按"餐桌+餐椅整体"框或合并为一件。

你拿到数据集之后，要做的第一件事不是急着跑模型，而是随机抽几百个标注框叠加到原图上，肉眼确认标注风格是否统一。这一步能提前发现大量问题。如果同类元素的框忽大忽小，模型学到的形状先验就是乱的，后面再调参也很难补回来。

2.2 冰箱、灶台这种小尺寸元素怎么标

平面图元素里，小目标问题非常突出。在一张4000×3000像素的大图上，一个冰箱可能只有80×80像素，洗手盆可能更小。如果直接把整张大图resize到模型输入尺寸，小目标的特征会在多次下采样中被抹掉。

我在处理这套数据时观察到，数据集在小元素标注上通常有几个约定：

• 最小标注尺寸：目标短边低于16像素时可以不标，避免制造模型无法学习的"噪声标注"。
• 密集小元素（地漏、开关、插座）不单独设类，通常合并进所属大类。
• 对大小目标共存的情况，训练阶段建议用切图策略：把大图切成若干patch，再在patch级别做检测，而不是直接全图缩放。

切图时overlap建议留10%到20%，否则目标正好被切在patch边界上会漏检；如果目标同时出现在两个patch里，推理后处理阶段要用NMS把重复框合并掉。小元素多的时候，这个"切图+聚合"的组合往往是mAP提升最明显的一步，比换更大的模型有效得多。

2.3 我处理这套数据时清理过的三类脏数据

没有任何现成数据集是绝对干净的。我跑这套数据时，主要遇到过三类问题：

第一类是标签错误。最典型的是沙发和床混淆。简化平面图里，沙发和床都是一段带靠背的长矩形，如果只看轮廓不看周边床头柜和茶几，人眼都容易搞错。这类错误会直接污染类别先验。

第二类是边界漂移。有的框把旁边的背景面积也包了进来，比如冰箱框把边上30厘米的操作台也划进去了；有的只框了元素的一半。通过统计每个类别的宽高比分布，能快速发现这类问题，正常窗户宽高比会集中在一个区间，如果出现大量长宽比在3到10之间乱飘的框，说明标注基准不一致。

第三类是漏标。一张图里实际有10个窗户，可能只标了8个。漏标的危害比标错更大，因为它让模型把"某个区域的窗户"学成了"背景"。我写过一个小脚本统计每张图每类目标数量，如果一个户型的客厅有两个窗户，但标注里只有一个，就会弹出来让我二次确认。还用过另一种办法：先用模型预测一遍，把"高置信度、但没有对应标注框"的区域当成漏标候选。这个策略收益很大，某项目组通过连续两轮漏标修补，mAP提升接近4个点，比换任何模型都管用。

3. 三种训练格式怎么选：YOLO、COCO JSON、Pascal VOC XML

3.1 三种格式的本质区别

这套数据集同时提供YOLO格式、COCO JSON格式和Pascal VOC XML格式，看起来只是文件后缀不同，实际训练时的体验差异很大。

YOLO格式最简单：每张图片对应一个txt文件，每行是"类别ID x中心点归一化坐标 y中心点归一化坐标 框宽归一化 框高归一化"。优点是文件轻、加载快、几乎任何YOLO系列框架都能直接用；缺点是元信息少，没有area、iscrowd这些字段，类别名称也不写进文件，全靠ID映射。

COCO JSON格式是业界生态最完整的标注格式，一个JSON文件包含images、annotations、categories三块信息。坐标是绝对像素值，还可以挂多边形分割标注，支持detection和instance segmentation两套任务。

Pascal VOC XML格式是传统检测框架最常用的格式，每张图对应一个XML文件，字段语义清晰，肉眼可读。缺点是小文件数量太多，大规模训练时IO压力大，同步到多机训练环境也容易产生文件碎片。

3.2 格式转换最容易出错的三件事

数据集的三种格式不会永远保持一致，你可能会把YOLO格式转成COCO JSON给某个训练脚本用。转换时有三个坑，我每次都会踩。

第一，类别ID顺序不一致。YOLO的类别ID从0开始，COCO JSON的category id通常从1开始，Pascal VOC直接在XML里写类别名。如果转换脚本里写死int(cls) + 1，但names顺序和JSON里categories顺序没对齐，训练出来的模型会把"窗户"当"门"。最稳妥的办法是在数据目录里保留一份names.yaml，所有转换脚本都从这份文件读取类别映射。

第二，归一化坐标和像素坐标互转时丢了精度。YOLO格式里所有坐标都是0到1之间的小数，转回像素坐标时要乘以真实图片宽高。如果中途用了四舍五入取整，小目标框可能偏出几个像素。我在转换时保留至少6位小数，转像素坐标时也先算float再统一转整型。

第三，VOC XML的绝对路径问题。很多VOC格式XML里写的是<path>/home/user/data/xxx.jpg</path>，换机器、换容器后训练直接报错。建议拿到数据后统一改成相对路径，训练时在配置里拼接base_dir，不要在XML里依赖绝对路径。

下面给一个极简的YOLO转COCO JSON核心逻辑，方便大家做格式适配：

import json from pathlib import Path def yolo_txt_to_coco(image_dir, label_dir, names_file, out_json): with open(names_file, "r", encoding="utf-8") as f: names = [line.strip() for line in f if line.strip()] images, annotations = [], [] ann_id = 1 for img_id, img_path in enumerate(sorted(Path(image_dir).glob("*.jpg")), start=1): w, h = read_image_size(img_path) # 用 PIL 或 cv2 读取即可 images.append({ "id": img_id, "file_name": img_path.name, "width": w, "height": h }) txt_path = Path(label_dir) / (img_path.stem + ".txt") if not txt_path.exists(): continue for line in txt_path.read_text().strip().splitlines(): cls, cx, cy, bw, bh = map(float, line.split()) x = (cx - bw / 2) * w y = (cy - bh / 2) * h box_w = bw * w box_h = bh * h annotations.append({ "id": ann_id, "image_id": img_id, "category_id": int(cls) + 1, "bbox": [x, y, box_w, box_h], "area": box_w * box_h, "iscrowd": 0 }) ann_id += 1 with open(out_json, "w", encoding="utf-8") as f: json.dump({ "images": images, "annotations": annotations, "categories": [ {"id": i + 1, "name": name} for i, name in enumerate(names) ] }, f, ensure_ascii=False)

这段代码是骨架，真正用的时候还要加坐标越界过滤、空图检查、重复图片路径校验。转换完一定要抽几张大图可视化一遍，不要只盯mAP数字。

3.3 目录结构和训练配置怎么组织更省心

拿到三种格式的数据，最忌讳的是为了迁就某个训练框架，把原始格式改来改去，最后原始文件被覆盖了。我习惯用下面这种目录结构，既保留原始格式，又方便切换：

floorplan-dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ ├── coco/ │ └── annotations.json ├── voc/ │ ├── train/ │ └── val/ ├── names.yaml └── README.md

names.yaml里固定记录类别ID和类别名的映射，这是整套数据的"事实来源"；README.md里写清标注规范的版本、评估口径和已知问题。训练时用YOLO格式的话，一个data配置大概长这样：

path: /data/floorplan-dataset train: images/train val: images/val names: 0: wall 1: door 2: window 3: bed 4: sofa 5: fridge # ...

验证集建议固定，不要每次训练随机抽。平面图数据里同一房源的不同楼层、不同户型图纸高度相似，如果验证集随机抽取抽到了和训练集同源的图像，mAP会虚高，后面上线真实场景时直接打回原形。

4. 从数据到97.4%的复现路径：模型选型、参数与训练细节

4.1 用平面图跑检测，模型到底该怎么选

平面图检测有个特点：目标边界清晰、背景单调、没有照片级的纹理噪声。这决定了它不需要一上来就上超大模型。我见过有人用几百M参数的大模型跑24类平面图，mAP确实高，但训练和推理成本也高得离谱，业务上完全不划算。

我的建议是从"小模型起步、中模型收尾"开始：

如果原图非常大，比如扫描的A0图纸有8000像素边长，那再大的模型也扛不住全图直接推理。这种场景我一般用"中模型+切图"，把大图切成1280左右patch，逐个推理再聚合，效果比直接上大模型更好。记住：平面图识别中，标注质量、图像预处理方式对mAP的贡献，经常比模型参数量更大。

4.2 训练参数与数据增强：照抄之后还要调什么

拿到这套数据集后，训练参数可以从下面这组开始，但有几项必须根据实际效果调整：

• 图像尺寸：尽量保持大边长1280以上。冰箱、灶台这类小元素，分辨率低一个档次，AP可能会掉5个点以上。
• 训练轮数：先给100轮，配合早停。平面图数据通常几千张到上万张，100轮基本能看到收敛趋势。
• Mosaic增强：这是最需要当心的。Mosaic把多张图随机裁剪拼接，在自然图像任务里很有效，但在平面图上会合成出"卫生间旁边突然出现床"这种错误空间关系。模型如果学到错误的共现关系，上线时会对真实户型中的合理布局产生误判。建议把Mosaic概率降到0.3甚至直接关掉。
• copy-paste增强：适合冰箱、洗衣机这种少样本类别。可以把它们从一张图中抠出来，粘贴到同一张图的其他空白位置，但注意别贴进墙体线中间。
• 类别不平衡：统计每个类别的框数量，如果"冰箱"样本量只有"窗户"的十分之一，可以在采样时提高少样本类别的权重，或者对包含少样本类别的图像重复采样。

训练过程中最该盯的是每个类别的AP，而不是整体mAP。整体mAP被样本量大的类别拉得很高，看平均值会忽略少样本类别的缺陷。我习惯每轮都打印出类别的AP表格，先看冰箱、洗衣机、热水器这三个设备类的数字，它们通常是最短的木板。

4.3 mAP上不去时的排查顺序

如果跑完一轮，mAP@0.5卡在92%左右上不去，别急着换更大的模型。我总结过一个排查顺序，按这个顺序走，通常花半天时间就能定位问题：

1. 可视化预测和标注的对比图。随机抽100张图，看模型和标注框的差异。如果误检集中在几个固定区域，大概率是那些区域有文字、标注线或非元素图案。
2. 统计每个类别的AP。少样本类别的AP低的话，先补样本或用增强，而不是换模型。
3. 检查验证集和训练集有没有重复图像。平面图数据经常有同户型、同楼层、不同文件夹的图像，这次重复会让mAP虚高1到3个点。
4. 调整NMS和置信度阈值。输出端的阈值调优有时能救回1到2个点，代价是精度和召回的方向不同，要结合业务需求取舍。
5. 最后才考虑换大模型。换模型带来的收益，往往不如补标注、修漏标、加切图聚合来得大。

我遇到过的情况是：验证集里混了一张和训练集来自同一户型不同楼层的图纸，导致mAP虚高到96%，剔除同源图后回落到94%，再通过两轮漏标修补追回97%。这个数字变化里面，模型结构没有动过一分钱参数，全是数据和评估口径的功劳。

5. 真正落地时的坑：误检、遮挡、小目标与后续迭代

5.1 我在某户型数字化项目里遇到的三类典型误检

训练指标好看，部署到真实项目里照样会翻车。我在一个户型数字化项目里跑这套数据训练出来的模型，上线后收到了三类高频误检反馈：

沙发和床混淆最头疼。简化平面图里，沙发和床都是带靠背的矩形，模型预测"床"的置信度经常在0.5附近晃。后来在数据增强里加入了对长宽比的随机扰动，并且专门补充了一批"贵妃榻+单人沙发组合"的样本，情况才好转。

文字标注被检测成元素。原图上的"卫""厨""阳"这些字、指北针、比例尺、地面材料说明，会被当成"门"或"窗"。这是因为很多平面图里元素本身是黑色线框，文字也是黑色笔画，特征非常接近。建议推理前做一个简单的预处理：先跑一个文字检测或OCR辅助模块，把文字区域提前mask掉，能大幅降低这类误检。

重叠框在NMS阶段被吞掉。灶台上方有油烟机，两个框高度重叠；洗手盆和台面柜也常常重叠。训练时的NMS阈值如果设得太大，后处理会把置信度较低的同类框干掉。解决办法是让模型支持"可重叠类别对"的放行逻辑，比如灶台和油烟机两个类别在空间上可以同时存在，NMS时不做抑制。

5.2 从检测框到结构化输出：后处理那些细节

检测模型输出的是"类别+框+置信度"，业务系统需要的往往是结构化数据。我在落地时会在模型输出后面再加一层后处理，这层的工作量不比训练模型少。

首先是像素坐标和业务坐标的换算。平面图通常带比例尺，拿到检测框的像素长宽后，要乘以比例系数换算成毫米，才能用于报价、排砖、家具摆放。举个例子，一张图纸比例尺是1:100，检测框像素宽为300，那实际宽度就是300×100=30000像素对应毫米，再按打印DPI换算成实际毫米值。这里每一步都要留注释，不然换个人维护代码很容易搞错单位。

其次是类别关系的空间校验。平面图里存在很强的空间先验：床不会出现在卫生间里，冰箱几乎一定贴着厨房墙面，餐桌不会和马桶共处一室。模型输出后可以用一条规则引擎做校验，发现违背先验的检测结果就降置信度或回归所属房间重新判断。

最后是输出JSON的结构设计。我通常会把结果组织成下面这种形式，既方便前端渲染，也方便后续做空间搜索：

{ "image_id": "floorplan_001", "unit": "px", "elements": [ { "type": "window", "bbox": [1120, 860, 320, 40], "confidence": 0.95 }, { "type": "fridge", "bbox": [2040, 1300, 180, 180], "confidence": 0.89 } ] }

如果业务方需要的是"每个房间包含哪些家具"，模型输出检测框之后还要结合墙体识别结果做房间分割，再做空间包含判断。这一步建议做成独立服务，不要和检测模型耦合太深。

5.3 数据集后续怎么迭代：新增类别、补充样本与主动学习

任何数据集都不是一次就够的，尤其平面图风格因设计院、地区、建筑类型而异。拿到这套24类数据后，我通常会规划一个迭代闭环。

新增类别时，最省力的办法不是完全重新标注，而是用现有模型先跑一遍，把已有24类的检测结果作为初标，人工只需要修正新增类别的框。这样标注速度能快60%以上。但要注意新增类别和已有类别不能边界模糊，比如新增"榻榻米"，如果旧数据里已经把它标成"床"，那两套数据合在一起训练前必须统一标准。

主动学习对平面图数据很有用。第一轮模型训练完成后，把所有低置信度、高loss、以及预测和标注不一致的样本挑出来，人工修正后加入训练集。比随机抽样补标注的效率高太多了。我实测过，三轮主动学习迭代之后，模型在验证集上的mAP通常能涨2到5个点，代价只是每天花一两个小时做人工标注修正。

半监督也可以考虑：用高置信度预测生成初标，人工快速改框，这样标注一个复杂户型的全部元素只要原来三分之一的时间。但前提是模型已经有一定的准度，否则初标框太乱，人工修改的成本比从零标更高。

针对特定风格图纸微调，效果往往出奇地好。如果实际业务里对接的是某个固定设计院的图纸，用100到200张同风格图纸在已有模型上微调一次，mAP提升可能比在通用数据上多跑几百轮还明显。这也是这类数据集最大的价值：它给了你一个稳定可靠的起点，而不是让你从零开始。

最后分享一个很实用的经验：拿到任何现成数据集，别急着开训。第一天只做两件事——随机可视化200个标注框、完整读一遍类别定义文档。如果这两件事做完你觉得心里有底，后面训练和落地基本就顺了；如果发现问题，哪怕数据集再光鲜，也建议先自己补标修正，否则模型学到的偏差会跟着你跑完整个项目。97.4%这个数字可以参考，但你自己验证过的数据质量，才是真正决定项目成败的那条线。