传统的平面图分析依赖于专家的手工检查,这一过程耗时且难以扩展。
在设计领域,效率和快速响应是至关重要的。然而,手工分析平面图的速度往往成为项目进度的瓶颈。此外,随着项目数量的增加和实时更新的需求,手动分析的局限性变得尤为明显。
为了确保平面图符合无障碍标准和建筑规范,精确的分析和调整是必要的。未能满足这些标准可能导致昂贵的修改和项目完成的延迟。
为了克服这些挑战,设计师和建筑师越来越多地转向现代技术,如计算机视觉和自动化分析工具。这些先进的解决方案简化了分析过程,提高了效率,并帮助创建符合项目愿景和满足客户及最终用户需求的优化和合规的平面图。
使用计算机视觉理解平面图,可以解锁并生成数据,这些数据历来是静态资产。
第一步是收集平面图的图像,确保收集的数据与目标相关。Roboflow提供了两个有用的工具来帮助数据收集:Roboflow Collect和Roboflow Universe。
使用Roboflow Annotate工具,可以在Roboflow仪表板中为项目点击“标注”来开始标注。使用多边形工具围绕每个感兴趣的对象绘制多边形,并为标注选择一个类别。
# 使用Smart Polygon功能来提高标注效率
roboflow annotate --image <image_path> --polygon <class_name>
完成标注后,下一步是创建数据集版本。在Roboflow侧边栏点击“生成”选项。生成数据集版本可能需要几分钟,具体取决于数据集的大小。一旦数据集版本成功生成,就可以开始训练模型了!
在Roboflow上训练计算机视觉模型非常简单。
一旦创建了数据集版本,导航到数据集版本页面,将找到“训练模型”的选项。点击“开始训练”按钮。一个云托管的计算机将被分配来处理训练作业。模型训练的持续时间将取决于使用了多少图像。
模型训练完成后,将通过电子邮件收到通知,告知模型已准备好使用。
模型训练完成后,可以使用Roboflow Deploy页面来评估其性能。
在Deploy页面上,将找到一个框,可以在测试集的图像上执行推理。这允许评估模型在未见数据上的表现。此外,还可以上传新图像进行额外的测试和评估。
可以看到模型成功地分割了平面图的不同元素。
拥有一个训练有素的模型是一个重要的里程碑,但下一步至关重要:将模型部署到生产环境中。
Roboflow通过提供一系列软件开发工具包(SDK)和专门设计用于高效模型部署的工具来简化这一过程。可以选择在各种设备上部署模型,如NVIDIA Jetson、Raspberry Pi、Luxonis OAK、Web(通过roboflow.js)、iOS和CPU设备(通过Docker)。
要探索模型可用的特定部署选项,请参考Roboflow文档中的功能部署兼容性矩阵。选择部署选项后,配置相应设备以使用模型是下一个逻辑步骤。上述每个选项都附有全面的指南,以确保顺利设置。