BlueprintParse-R50

BlueprintParse-R50 от ThakiCloud — Faster R-CNN (ResNet-50 FPN v2) для корейских архитектурных планов. Модель экспортирована в один FP32 ONNX-граф и запускается на CPU или GPU через onnxruntime, возвращая боксы, класс и score для пяти классов. Боксы пересчитываются в пиксели исходного изображения.

🔥 Ключевые особенности

• 📌 Пять классов: газовая плита, унитаз, раковина, кухонная мойка, ванна.
• 🔥 На официальном тесте (1 014 изображений): mAP50-95 0.926, AP50 0.9805.
• 📌 На 53 новых чертежах mAP50-95 падает до 0.7875; сильнее всего проседает kitchen sink.
• ❌ Автоматический подсчёт не прошёл гейт: COUNT_NO_GO, точное совпадение количеств по всем 5 классам — 0.566.
• ✅ Выход включает counts_draft, uncertain_candidates и review_required=true.
• 💻 ONNX FP32, opset 17, динамические H/W; есть self-test и скрипт экспорта.

💻 Пример

from blueprintparse import BlueprintParse
bp = BlueprintParse(threads=16)
out = bp(open("floor_plan.png", "rb").read())
print(out["counts_draft"])
for d in out["detections"]:
    print(d["class"], d["score"], d["box_xyxy"])

Подробнее

mAP50-95: 0.926 на официальном тесте (1 014 изображений), 0.7875 на 53 новых чертежах.
Точное совпадение количеств по всем 5 классам — 0.566 (95% CI 0.434–0.698), поэтому автоматический подсчёт помечен COUNT_NO_GO.
Инференс ONNX FP32: p50 на синтетическом входе 1448×2048 — 26.1 мс на CUDA (B200) и 786.1 мс на CPU.
Только 5 классов; нулевые детекции не доказывают отсутствие объекта. Датасет AI-Hub 71465 нельзя распространять; веса и код — Apache-2.0.