File size: 3,478 Bytes
bc72484 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 | # SpatialLM 数据集采样（15 条完整记录）
来源：Hugging Face `manycore-research/SpatialLM-Dataset`（合成数据，12,328 个场景 / 54,778 个房间）
采样方式：随机采样，seed=7，仅取 `split=train`，并在 4 种观测密度上做分层
## 目录结构
```
SpatialLM_raw/
├── pcd/<id>.ply 点云（15 个）
├── layout/<id>.txt 结构化布局标注（15 个）
├── metadata.csv 每条记录的元信息
└── conversations.json ShareGPT 格式训练对（15 条）
```
## 每个文件的含义
### `pcd/<id>.ply`
二进制小端 PLY 点云。每个顶点含 6 个属性：
| 属性 | 类型 | 含义 |
|---|---|---|
| x, y, z | float | 三维坐标，Z 轴向上，单位米 |
| red, green, blue | uchar | 顶点颜色 0–255 |
### `layout/<id>.txt`
纯文本，一行一个实体。本次采样共 **117 面墙、42 扇门、13 扇窗、140 个物体框**。
```
wall_0=Wall(ax, ay, az, bx, by, bz, height, thickness)
door_0=Door(wall_id, cx, cy, cz, width, height)
window_0=Window(wall_id, cx, cy, cz, width, height)
bbox_0=Bbox(class, cx, cy, cz, angle_z, sx, sy, sz)
```
- **Wall**：`(ax,ay,az)` 到 `(bx,by,bz)` 为墙体底边两端点，`height` 为墙高，`thickness` 为厚度
- **Door / Window**：`wall_id` 指向所属墙体（如 `wall_4`），`(cx,cy,cz)` 为洞口中心，再给出宽高
- **Bbox**：`class` 为物体类别（如 `refrigerator`），`(cx,cy,cz)` 为包围盒中心，`angle_z` 为绕 Z 轴偏航角（弧度），`(sx,sy,sz)` 为三轴尺寸
门窗通过 `wall_id` 挂在墙上，所以这是真正的**建筑结构**标注，而非仅有家具摆放。
### `metadata.csv`
| 列 | 含义 |
|---|---|
| `id` | 记录编号，格式 `{scene_id}_{room_id}_{sample}` |
| `room_type` | 房间功能类型（bedroom / kitchen 等） |
| `scene_id` | 所属多房间户型编号 |
| `room_id` | 房间在户型内的编号 |
| `sample` | **观测密度**，见下表 |
| `split` | 官方划分，本次全部为 `train` |
| `chunk` | 该记录位于原始仓库第几个压缩包 |
| `pcd_bytes` / `layout_bytes` | 两个文件的字节数 |
`sample` 取值（同一个房间会以 4 种密度各采一次）：
| 值 | 含义 |
|---|---|
| 0 | 最完整：随机采样 8 个全景视角 |
| 1 | 最稀疏：随机采样 8 个透视视角 |
| 2 | 较完整：随机采样 16 个透视视角 |
| 3 | 较稀疏：随机采样 24 个透视视角 |
本次 15 条的密度分布为 `{0:4, 1:4, 2:4, 3:3}`，四种密度都覆盖到了。
### `conversations.json`
ShareGPT 格式，可直接用于微调：
```json
{
"conversations": [
{"from": "human", "value": "<point_cloud>Detect walls, doors, windows, boxes. ..."},
{"from": "gpt", "value": "<|layout_s|>wall_0=Wall(...)...<|layout_e|>"}
],
"point_clouds": ["pcd/<id>.ply"]
}
```
- `human` 轮：固定不变的提示词，内含 Wall / Door / Window / Bbox 的 dataclass 定义
- `gpt` 轮：即 `layout/<id>.txt` 的内容，两端加上 `<|layout_s|>` 与 `<|layout_e|>`
> 说明：官方 `spatiallm_train.json` 有 619 MB，本次未下载。这里的对话是用布局文件加固定提示词重建的，
> 已与官方 `spatiallm_val.json` 逐字节比对，**6/6 完全一致**。
## 重新采样
```bash
python3 ../tools/sample_hf.py --n 15 --split train --seed 7 --out SpatialLM_raw
python3 ../tools/sample_hf.py --n 20 --split val --room-type bedroom,kitchen
```
|