Yolo4Columns

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21110%2F25%3A00383676" target="_blank" >RIV/68407700:21110/25:00383676 - isvavai.cz</a>

Výsledek na webu

<a href="https://github.com/Zbirosla/Yolo4Columns.git" target="_blank" >https://github.com/Zbirosla/Yolo4Columns.git</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Yolo4Columns

Popis výsledku v původním jazyce

This software enables AI-assisted automation of the Scan-to-BIM workflow by detecting structural columns directly from point cloud data using semantic segmentation masks. It incorporates a full pipeline encompassing data preparation, deep learning training, and inference on new scenes. The data preparation module processes labeled point cloud datasets and generates 2D projections (masks) suitable for YOLO-based training. The training stage employs the YOLOv8 architecture for object detection, optimizing it for recognizing various types of vertical structural elements. During evaluation, the system classifies and localizes columns in unseen point cloud scenes by projecting them into 2D representations, running the trained detector, and mapping the detections back into 3D space. This approach allows for robust and scalable recognition of structural components even in cluttered or noisy environments. The modular design ensures extensibility and compatibility with subsequent steps in the Scan-to-BIM pipeline, such as parametric reconstruction and IFC export.

Název v anglickém jazyce

Yolo4Columns

Popis výsledku anglicky

This software enables AI-assisted automation of the Scan-to-BIM workflow by detecting structural columns directly from point cloud data using semantic segmentation masks. It incorporates a full pipeline encompassing data preparation, deep learning training, and inference on new scenes. The data preparation module processes labeled point cloud datasets and generates 2D projections (masks) suitable for YOLO-based training. The training stage employs the YOLOv8 architecture for object detection, optimizing it for recognizing various types of vertical structural elements. During evaluation, the system classifies and localizes columns in unseen point cloud scenes by projecting them into 2D representations, running the trained detector, and mapping the detections back into 3D space. This approach allows for robust and scalable recognition of structural components even in cluttered or noisy environments. The modular design ensures extensibility and compatibility with subsequent steps in the Scan-to-BIM pipeline, such as parametric reconstruction and IFC export.

Druh

R - Software

CEP obor

—

OECD FORD obor

20101 - Civil engineering

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2025

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Interní identifikační kód produktu

v1.01

Technické parametry

python 3.10, open-source, github, Yolov8

Ekonomické parametry

Software pro detekci sloupů z masek mračen bodů výrazně zkracuje čas potřebný k analýze 3D scén. Odhad nákladů na nasazení softwaru (včetně tréninku modelu na konkrétní data) se pohybuje okolo 5 000–15 000 Kč na projekt. Automatizace může ušetřit až 4–6 hodin ruční práce na jednu scénu, což při běžné sazbě technického pracovníka znamená úsporu 2 000–3 000 Kč. U větších projektů nebo při opakovaném použití tak může software přispět ke snížení nákladů a zvýšení efektivity zpracování o 20–30 %.

IČO vlastníka výsledku

68407700

Název vlastníka

České vysoké učení technické v Praze