Detectron2 Mask R-CNN Training on CVSP 2D Floor Plan Dataset

---

🚀 Présentation du projet

Ce projet vise la détection et la segmentation sémantique d’éléments architecturaux sur des plans 2D (floor plans) à partir du dataset CVSP, un jeu de données de plans d’architecture annotés.

• Origine des données :
  • Plans d’architecture (images PNG) extraits automatiquement à partir de fichiers SVG vectoriels.
  • Annotations SVG décrivant chaque objet d’intérêt (portes, murs, pièces, fenêtres, etc.) converties en masques COCO (polygones).
• Objectif : Permettre l’entraînement d’un modèle Mask R-CNN Detectron2 pour la segmentation d’objets sur des plans 2D.
• Chaîne de traitement :
  1. SVG (annotations vectorielles) →
  2. PNG (images) →
  3. COCO JSON (annotations segmentation polygonale)

🏷️ Classes (catégories) détectées

• Door
• Parking
• Room
• Separation
• Text
• Wall
• Window

Chaque instance annotée est associée à une catégorie ci-dessus.

---

📂 Détail du dataset

• Images : plans 2D en PNG, résolution variable (A4, A3, etc.)
• Annotations : fichiers COCO JSON générés automatiquement, contenant pour chaque image :
  • file_name, width, height
  • Pour chaque annotation : polygone (segmentation), bbox, catégorie
• Structure :
  • dataset/ : images PNG
  • *.svg : annotations SVG originales
  • annotations_train_with_hw.json, annotations_val_with_hw.json : splits COCO prêts pour Detectron2

---

📂 Structure du projet

CVCSP/
├── dataset/                     # Images PNG
├── *.svg                        # Annotations SVG
├── split_coco_train_val.py      # Split et mapping COCO
├── add_hw_to_coco.py            # Ajout width/height (optionnel)
├── train_detectron2_maskrcnn.py # Entraînement Mask R-CNN
├── annotations_train_with_hw.json
├── annotations_val_with_hw.json
├── README_detectron2_train.md   # Guide entraînement
└── README.md                    # Présentation générale

---

🛠️ Installation & Environnement

• Python 3.10+
• PyTorch >=2.7.0 (CUDA 12.8 recommandé)
• Detectron2 (installé depuis GitHub)
• opencv-python, tqdm, matplotlib, Pillow

pip install -r requirements.txt

---

🏁 Lancer l’entraînement

python train_detectron2_maskrcnn.py

Les checkpoints sont sauvegardés dans output_detectron2/.

---

📊 Visualisation & inférence

• Pour visualiser les masques ou inférer sur de nouvelles images, demande un script d’inférence !

---

🤝 Contribuer

Pull requests et suggestions bienvenues !

---

📄 Licence

MIT

---