Характеристики

Размер весов: 97,9 МБ
Лицензия: MIT
Библиотека: pytorch
Опубликована: 7 мая 2026

Ссылки

Hugging Face

floorplan-to-3d-walls

Yytsi

Сегментация изображенийИзображение → mask3 профессии

Модель сегментирует планы этажей на пол, стены, двери и окна, чтобы использовать разметку для построения 3D-стен.

555скачиваний за 30 дней6лайковвеса обновлены13 мая 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Yytsi разработал модель сегментации архитектурных планов этажей для последующего построения 3D-стен. Она использует декодер UNet с энкодером ResNet-34, предварительно обученным на ImageNet, и обучена на CubiCasa5K. На вход подаётся RGB-изображение плана размером 512×512 с сохранением пропорций; модель размечает пиксели четырьмя классами: пол, стены, двери и окна. Полученную сегментацию можно использовать для извлечения полигонов и экструзии плана в 3D.

Модель рассчитана на планы в стиле CAD, похожем на преобладающие в обучающем наборе скандинавские жилые планы. В README указано значение mIoU 0,983 на валидации. Веса хранятся в формате safetensors, а для загрузки требуется файл конфигурации. Модель распространяется по лицензии MIT.

Она может пропускать элементы на эскизах от руки, коммерческих чертежах и планах с отличающимися условными обозначениями. Предсказываются только четыре структурных класса; мебель, оборудование и текстовые пометки относятся к классу пола. Тонкие стены на очень больших планах могут теряться при растеризации до 512×512.

Сценарии применения

выделение стен на плане квартиры
распознавание дверей и окон на архитектурном чертеже
сегментация пола на растеризованном плане этажа
подготовка плана этажа к извлечению полигонов
создание 3D-стен по изображению плана

Ограничения

Обучающий набор преимущественно содержит скандинавские жилые планы в определённом CAD-стиле, поэтому модель может хуже работать с эскизами от руки, коммерческими чертежами и нестандартными обозначениями. Она выделяет только пол, стены, двери и окна; мебель, оборудование и текст относятся к полу, а тонкие стены могут теряться при уменьшении плана до 512×512.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей IV.10Отраслевые задачиДом, личная жизнь, уход и повседневные задачиAI помогает помогать человеку планировать повседневные дела и безопасно управлять домашней средой.30 задач962модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Floorplan to 3D — segmentation model

A UNet decoder with a ResNet-34 encoder backbone (ImageNet-pretrained), trained on CubiCasa5K to segment architectural floor plans into four classes: floor / wall / door / window.

The full project (training code, polygon extractor, FastAPI inference server, 3D Three.js viewer) lives at https://github.com/Yytsi/floorplan-to-3d.

A hosted preview at floorplan-to-3d.pages.dev shows three pre-rendered example plans extruded into 3D — it's static, no backend. To run inference on your own SVGs, clone the repo and start the local FastAPI server (the viewer detects it via /healthz and reveals an upload button).

Files

best.safetensors — model weights, ~98 MB. Loadable with safetensors.torch.load_file. The epoch and best_miou are stored in the safetensors metadata header.
config.yaml — training config required by the loader (image size, letterbox, normalization, encoder name).

Quick start

mkdir -p weights
curl -L -o weights/best.safetensors https://huggingface.co/Yytsi/floorplan-to-3d-walls/resolve/main/best.safetensors
curl -L -o weights/config.yaml      https://huggingface.co/Yytsi/floorplan-to-3d-walls/resolve/main/config.yaml

Then follow the README on GitHub for the inference server + viewer.

Training

Data: CubiCasa5K (high-quality + high-quality-architectural splits).
Input: 512×512 RGB, aspect-preserving letterbox so non-square plans aren't stretched. ImageNet-mean fill in the padding.
Encoder: ResNet-34 pretrained on ImageNet.
Loss: cross-entropy.
Best val mIoU: 0.983 at epoch 26.

Limitations

CubiCasa5K is dominated by Nordic residential plans drawn in a specific CAD style. The model generalizes well within that distribution but may miss elements on hand-drawn sketches, commercial blueprints, or plans using very different line conventions.
Only the four structural classes above are predicted. Furniture, fixtures, and text annotations are treated as floor.
Input is rasterized from SVG at 512×512; very long thin walls in oversized plans can get sub-pixel and be missed.

License

MIT — see the GitHub repo.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · pytorch · image-segmentation

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов: 68843a3