建筑空间分类目标检测数据 | 建筑空间识别 室内检测 智能楼宇 多目标分类9023期

数据集概述

本数据集专注于建筑内部空间与设施识别，服务于智能建筑管理、室内导航及空间利用率分析。数据涵盖多样化的建筑室内场景，适配功能区域分类、设施定位及楼宇数字化等应用。

数据集核心信息

完整类别列表（共50类）

数据集涵盖以下50类建筑空间与设施元素：

注：部分类别存在大小写或缩写变体（如 toilet 与 Toilet，kitchen 与 Kitchen），建议在模型训练前统一类别名称格式，避免重复分类。

数据三要素解析

类别与数量

• 数据集定义 50 个细分类别，覆盖从公共区域（门厅、走廊）到私密空间（卧室、浴室），从固定结构（门、窗、楼梯）到功能设施（厨房水槽、热水器、浴缸）的完整室内元素谱系。
• 图像总量约 9700 张，规模充足，能够支撑大规模室内场景理解模型的稳健训练。
• 类别设置面向实际建筑运维与室内导航需求，兼顾通用元素与特定功能区域，具有广泛的行业应用价值。

格式与结构

• 采用通用 YOLO 格式，每张图像对应一个同名 txt 标签文件，包含类别 ID 与归一化边界框坐标，可无缝接入 YOLOv5、YOLOv8 等主流检测框架。
• 图像与标签一一对应，数据结构规范，便于进行训练/验证集划分与预处理集成。

应用与扩展

• 数据集可扩展用于 建筑功能分区识别、人流热力分析 及 室内资产盘点 等综合任务。
• 结合楼宇自动化系统（BAS），可构建 智慧建筑数字孪生体，实现空间使用效率的实时监控与预测。
• 多类别特性便于进行迁移学习，适配商业综合体、医院、学校等不同建筑类型的专项检测需求。

知识普及：室内空间识别的重要性

建筑内部空间识别是 认知建筑 的核心环节。传统 BIM（建筑信息模型）依赖人工建模，而基于视觉的自动识别可实现存量建筑的快速数字化。然而，室内空间多样性强（如开放式厨房与封闭式厨房、不同装修风格的门窗），且存在遮挡、视角变化等挑战。采用大规模、多类别的数据集训练，有助于模型学习更泛化的空间语义特征，支撑楼宇从“数字化”向“智能化”升级。

快速开始（代码示例）

配置文件 data.yaml 示例（需按实际类别顺序补齐50类）：

train: ./dataset/images/train
val: ./dataset/images/val
nc: 50
names: ['door', 'toilet', 'window', 'kitchen', 'bathroom', 'attic_space', 
        'bedroom', 'common_room', 'dining', 'dining_area', 'dining_room', 
        'entrance', 'entry', 'garage', 'gym', 'hall', 'hallway', 
        'kitchen_sink', 'laundry', 'laundry_room', 'lavatory', 'library', 
        'living_room', 'office', 'optional_island', 'porch', 'room', 
        'sauna', 'shower', 'stairs', 'stairwell', 'storage_room', 'study', 
        'toilet_wash', 'tub', 'utility', 'utility_room', 'walk_in_closet', 
        'water_heater', ...]  # 按实际补充至50类

启动 YOLOv8 训练：

from ultralytics import YOLO
model = YOLO('yolov8l.pt')  # 大模型以支持50类复杂任务
model.train(data='data.yaml', epochs=120, imgsz=640, batch=16)

标签

建筑空间识别 室内检测 智能楼宇 多目标分类 YOLO格式 深度学习数据集 计算机视觉