RAQEEB-CCTV
сегментация поэтажных планов для систем видеонаблюдения
2 мин чтенияобновлено
Модель распознаёт и выделяет контурами (полигональными масками) строительные элементы и зоны на архитектурных планах зданий — от стен и дверей до лифтов, лестниц и знаков выхода. Она построена на базе компактной архитектуры YOLO11s-seg (10,1 млн параметров, разрешение входа 1024 px) от разработчика swedishtech. В отличие от простых детекторов, которые рисуют лишь прямоугольные рамки, эта нейросеть строит точные маски объектов, а комплектный скрипт умеет работать напрямую с чертежами AutoCAD и записывать разметку обратно в файл. Инструмент пригодится инженерам безопасности, проектировщикам систем видеонаблюдения (CCTV) и исследователям, которым нужно быстро разметить планировку.
Ключевые особенности
- Распознавание 11 классов объектов: стены, двери, окна, открытые проёмы, колонны, лестницы, лифты, эскалаторы, знаки выхода, ворота и помещения/коридоры.
- Обучение на 62 205 планах: датасет собран из 16 открытых источников со схемой частичной разметки, чтобы неполные аннотации не путали модель.
- Интеграция с AutoCAD: отдельный скрипт обрабатывает файлы DWG/DXF и добавляет найденные рамки и подписи на отдельные слои (
RAQEEB-DOOR,RAQEEB-WALLи др.). - Высокая точность на ключевых узлах: на тестовой выборке из 1 682 планов лифты определяются с mask mAP50 0.974, знаки выхода — 0.952, помещения — 0.898, двери — 0.820.
- Очередь ручной проверки: комплектные скрипты умеют применять индивидуальные пороги уверенности из
thresholds.jsonи отправлять спорные находки на ревью человеку.
Что можно сделать
- Автоматизировать предпроектную разметку планов: прогнать растровые планировки (PNG, JPEG или PDF) для быстрого поиска точек входа, лифтовых холлов и коридоров при планировании зон обзора камер.
- Обогащать рабочие чертежи в CAD: использовать
cad_raqeeb.pyдля автоматического проставления слоёв с дверями и лестницами в файлах AutoCAD. - Встроить в пайплайн анализа недвижимости: извлекать координаты помещений и проходов в формате JSON для последующей обработки в собственных скриптах.
Пример
from huggingface_hub import hf_hub_download
from ultralytics import YOLO
weights = hf_hub_download("swedishtech/RAQEEB-CCTV", "raqeeb-cctv-v1.0.0.pt", revision="v1.0.0")
model = YOLO(weights)
result = model.predict("plan.png", imgsz=1024, conf=0.25)[0]
result.save("plan_detections.jpg")
Подробнее
Общие метрики на тесте (1 682 изображения): mask mAP50 — 0.691, mask mAP50-95 — 0.427, box mAP50-95 — 0.567.Размер весов: 20,6 МБ (fp16); растровые планы нужно подавать целиком без нарезки на тайлы.
Ограничения: класс
gate не поддерживается (нет обучающих данных), escalator не валидирован, column и open_passage определяются слабо; в тонколинейных DWG-чертежах AutoCAD надёжно находятся только двери (96–99%), но не стены, окна и колонны.Лицензия: CC BY-NC 4.0 (только для некоммерческого и исследовательского использования).










Комментарии