标注的平面图元素识别数据集，识别率97.4%,可识别冰箱，洗手间，窗户餐桌，门窗，床等24种元素，支持yolo，coco json，pascal voc xml格式的模型训练

模型训练指标参数：

模型训练图：

数据集拆分

训练集

8522图像

验证集

1206图像

测试集

597图像

预处理

自动定向：应用

调整大小：拉伸到125*125

增强

每个训练示例的输出：2

噪点：0.1%

数据集标签：

'Corner Sofa', 'Dinner Table', 'Dishwasher', 'Door Window', 'Double Bed', 'Double Door', 'Oven Stove', 'Refrigerator', 'Shower', 'Single Bed', 'Single Door', 'Sink', 'Sofa_1P', 'Sofa_2P', 'Sofa_3P', 'Stairs', 'Study Table', 'Television', 'Toilet', 'Wardrobe', 'Wash Basin', 'Washbasin Cabinet', 'Washing Machine', 'Window'

数据集图片和标注信息示例：

数据集下载：

yolo26:https://download.csdn.net/download/pbymw8iwm/92773553

yolo v12:https://download.csdn.net/download/pbymw8iwm/92773557

yolo v11:https://download.csdn.net/download/pbymw8iwm/92773555

yolo v9: https://download.csdn.net/download/pbymw8iwm/92773559

yolo v8:https://download.csdn.net/download/pbymw8iwm/92773562

yolo v7:https://download.csdn.net/download/pbymw8iwm/92773554

yolo v5:https://download.csdn.net/download/pbymw8iwm/92773550

yolo darknet:https://download.csdn.net/download/pbymw8iwm/92773558

coco json:https://download.csdn.net/download/pbymw8iwm/92773556

pascal voc xml:https://download.csdn.net/download/pbymw8iwm/92773551

 YOLO模型训练

下载数据集之后解压到当前文件夹，然后将 我的仓库 https://gitcode.com/pbymw8iwm/YOLOProject里的训练模型脚本复制到文件夹下，假设你使用的是yolov8来训练你就用 python train_yolov8.py

注意，请根据你的GPU能力来适当调整训练参数，比如训练batch，patience，workers，以及模型类型（如果你的GPU硬件条件限制，可以联系作者进行付费模型训练，部分模型只需要一杯奶茶钱）

模型验证测试情况：

验证测试代码：

#需要安装pip install ultralytics
from ultralytics import YOLO
import cv2

# 加载训练好的 YOLO .pt 模型
model = YOLO('best.pt')  # 替换为你实际的 .pt 模型文件路径

# 定义要测试的图片路径
image_path = './image.jpg'  # 替换为你实际的图片文件路径

# 使用模型对图片进行预测
results = model(image_path)

# 获取预测结果
for result in results:
    # 获取绘制了检测框的图片
    annotated_image = result.plot()

    # 显示图片
    cv2.imshow("YOLOv Inference", annotated_image)

    # 等待按键退出
    cv2.waitKey(0)

    # 关闭所有 OpenCV 窗口
    cv2.destroyAllWindows()
    

推理结果：

{
  "predictions": [
    {
      "x": 148.5,
      "y": 149,
      "width": 297,
      "height": 296,
      "confidence": 0.978,
      "class": "Toilet",
      "class_id": 18,
      "detection_id": "e8a5bcfd-f99f-4224-9296-9f147e3fba89"
    }
  ]
}

推理结果：

{
  "predictions": [
    {
      "x": 148,
      "y": 148,
      "width": 296,
      "height": 296,
      "confidence": 0.983,
      "class": "Sink",
      "class_id": 11,
      "detection_id": "7eaf4b2e-e891-4af6-a30a-a183ef770e36"
    }
  ]
}