简介：面向计算机视觉学习与研究者的家庭场景全景分割数据集，覆盖19类常见家具与室内物体，图片分辨率为640×640，可用于细粒度分割模型的训练与效果验证。资源共727个文件，包含362张jpg原图、363张png掩膜，以及类别说明txt和可视化脚本show.py，压缩包整体约14.74MB，结构简洁便于直接使用。目前已有147人学习下载。数据划分清晰，训练集含309张图像及对应掩膜，验证集含53张图像及对应掩膜；标签覆盖背景、床、椅子、橱柜、门、灯、地毯、桌子、窗户等类别，具体类别可查阅txt文件。运行show.py即可将掩膜叠加在原始图像上查看分割结果，帮助快速检查标注质量，适合作为语义分割、实例分割以及YOLOv5等分割实战的入门练习数据。
1. 家庭场景家具全景分割数据集：先看清它到底给你什么
做室内机器人导航、智能家居或者AR换装的时候，最头疼的往往不是模型结构，而是“干净的标注数据”。你网上找家具分割数据集，多半是COCO里的餐桌椅子，或者某个室内分割数据集里只有5类东西，根本覆盖不了“沙发 + 电视柜 + 空调 + 窗帘 + 墙 + 地板”这种真实家庭组合。这份“家庭场景下所有家具的全景分割图像（19类）”就是冲着这个痛点的——它把室内全景分割常用的语义类别和实例类别统一在一套标注里，同时给了可视化代码和txt标签文本，意味着你不用先写一上午解析脚本就能直接看到标注长什么样、能不能用。
这个数据集能解决的事很明确：第一，拿来做全景分割模型的训练或微调，比如Panoptic FPN、Mask2Former这类架构；第二，做室内场景的家具识别，检测到每个物体的像素级轮廓；第三，验证你自己的分割算法在“家具密集、遮挡严重、小目标多”的家庭场景下的表现。适合的对象是已经跑过语义分割或者实例分割、但想升级到全景分割的工程师，也包括刚入手分割任务、需要一份能快速可视化并跑通pipeline的学生或研究员。和纯target=“物体检测框”数据集相比，这份数据的价值在于每个像素都带着类别归属和实例归属，这也意味着后续要做的数据清洗、格式转换和类别统计会更加讲究——这正是接下来要展开的。
2. 全景分割与语义分割的区别：为什么家用家具场景要用全景分割
2.1 全景分割 = 语义分割 + 实例分割，对家具这种“stuff+thing”混合场景尤其合适
先分清概念。语义分割把每个像素归到一个类别，但它不区分同一类里的不同个体——比如客厅有两把椅子，语义分割会把它们都标成“椅子”一个片区，连成一个巨大的连通域。实例分割反过来，区分每个物体，但对背景像素没辙，比如墙壁、地板、天花板这种无限延伸的区域根本无法框成实例。全景分割（Panoptic Segmentation）是两者的统一：它对“stuff”类（墙、地、天花板）做语义分割，对“thing”类（沙发、椅子、冰箱）做实例分割，最终给每个像素一个类别标签，还给每个物体一个实例ID。
这份数据集的19类，正是这么设计的。一个常见的划分方式是：背景stuff类占少数，比如wall、floor、ceiling，其余全是可数的家具——床、沙发、餐桌、椅子、茶几、电视柜、书柜、衣柜、梳妆台、床头柜、鞋柜、橱柜、冰箱、洗衣机、空调、灯具、窗帘、地毯。如果你看到txt标签文本里有18个家具类加上1个背景类，那就刚好19。这种结构决定了后续处理时不能只按“类别”去画mask，还要拿到实例ID才能评估实例分割指标。
2.2 19类到底怎么划分：墙体地板是stuff，沙发椅子是thing
决定一个类是stuff还是thing，业界常规判断依据是“它是否适合作为一个独立可数的对象”。墙、地板、天花板通常连成整片，没有清晰边界，就是stuff；沙发虽然有边界但形态差异大，但现实中你总会说“房间里有两张沙发”，所以它是thing。同样，窗帘在某些视角下是一大块布，但在家庭全景分割里一般也按thing来标，因为每扇窗/每根轨道对应一个独立窗帘实例。
这个划分直接决定了训练时的损失函数设计。常见全景分割模型会用两个分支——一个语义分割头处理所有类别，一个实例分割头只处理thing类，最后通过融合逻辑把重叠区域按优先级合并。所以你在用这份数据集前，一定要先打开txt标签文本确认每个类的属性（stuff还是thing），因为后续转COCO Panoptic格式时，需要根据这个属性往“category_id”和“isthing”字段里写值。许多人在这一步翻车，就是默认所有类别都是thing，结果把墙和地板也当成了实例去算，PQ指标直接崩。
2.3 数据集格式预期：mask图 + 标注txt + 可视化脚本的结构
从“图像分割数据集”标题就能猜到，这份数据大概率是按以下三件套组织的：
- images：原始家庭场景照片，一般是RGB的JPG或PNG，分辨率从几百到几千像素不等。
- masks或annotations：对应的标注图。常见有两种形态，一种是单通道PNG，像素值就是类别ID；另一种是三通道RGB PNG，每个颜色对应该类别的标准色。如果是全景分割标注，往往用“同一个类别ID但不同实例实例ID”的方式，比如像素值=类别ID * 1000 + 实例ID，或者分为两个文件分别存类别和实例。
- labels/txt：标签文本，通常每一行定义一个类别，格式如“id name r g b”或“id name isthing”，也可能额外说明每个类别在图片中的像素占比。
这三个文件的关系是：txt提供类别表，mask提供像素归属，可视化脚本把两者合起来变成人眼看懂的图。不建议拿到数据就急着训练，先做两件事——统计每张图的尺寸、检查txt类别和mask中的ID是否能一一对应。这一步看似枯燥，却能省掉后面调试标注错位的大把时间。
3. 数据集目录与文件解读：从txt标签文本到mask图像
3.1 典型目录结构：怎么组织images、masks、labels
没有统一标准，但多数图像分割数据集会采用类似下面的分层目录，方便后续数据加载脚本直接遍历：
dataset/ ├── images/ │ ├── 0001.jpg │ ├── 0002.jpg │ └── ... ├── masks/ │ ├── 0001.png // 单通道或三通道标注 │ ├── 0002.png │ └── ... ├── labels/ │ └── labels.txt // 19类类别定义 ├── visualizer.py // 可视化脚本 └── train_val_split.txt // 训练/验证划分（可选）这个结构里，images和masks通过文件名前缀一一对应。labels.txt是唯一一个全局标注说明，它不针对某张图，而是说明整个数据集的类别体系。train_val_split.txt很多数据分会额外提供，没有的话需要自己划分，这件事我在后面“避坑”章节会重点讲——尤其要防止同一房间的不同视角图被同时分进训练集和验证集，导致验证指标虚高。
3.2 txt标签文本格式：类别ID、颜色映射、面积占比
一份合格的txt标签文本至少包含四列：类别ID、类别名称、对应的RGB颜色，以及可选的“是否为thing”布尔值。常见写法如下：
0 wall 128 128 128 0 1 floor 255 0 0 0 2 ceiling 0 255 0 0 3 bed 255 255 0 1 4 sofa 0 0 255 1 ...最后一列的0表示stuff，1表示thing。如果数据没有“isthing”列也没关系，你可以按我们前面的判定逻辑自行补上，这也是在给模型准备训练数据时必做的一步。RGB颜色列用于可视化，它的设计往往带有一定语义，比如暖色调给椅子沙发，冷色调给墙地，这样可视化图更直观。
txt里也可能包含每类的平均像素占比，那是数据提供方在告诉你类别分布情况，可用于后续加权损失。不建议盲信这个占比，因为家庭场景中柜子、床、沙发往往占据大面积，而开关、插座、小摆件可能只占几个像素，实际训练时仍需自己重新统计。
3.3 标注mask的两种形态：单通道类别ID和RGB可视化图
使用前必须搞清楚mask的存储类型，这是所有后续处理的前提。我见过不少新人踩的第一道坑就是：用cv2.imread读出来，直接当单通道用，结果发现三通道一模一样，或者滤镜一叠加全花了。
常见做法是单独导出一份“类别ID单通道图”和一份“RGB可视化图”。如果是单通道PNG，每个像素的数值就是类别ID，比如像素值3代表床。如果是RGB图，那么每个像素的三通道值需要查表转成类别ID，需要用到labels.txt里的颜色对应关系。两种形态各有用途：
- 单通道ID图：训练时直接作为监督信号，计算交叉熵时不需要再映射。
- RGB可视化图：给人看、做PPT、写论文用的，也方便人工质检。
在写自己的加载器时，我推荐统一走“读取单通道ID图”的路子，把RGB图当作离线可视化产物。如果数据集只提供RGB标注，那你得在数据预处理时先建立颜色到ID的逆映射，而且要注意颜色之间不能有歧义——假如两个类别颜色分别是(255,0,0)和(254,0,0)，肉眼分辨不出，程序也会因为颜色近似而出错。拿到数据后第一件事就是扫描颜色重复项，这是排查隐患的最快办法。
4. 用可视化代码快速验证数据：一张图看出标注对不对
4.1 最小可视化脚本：读mask、映射颜色、叠加原图
数据到手，别急着转格式、写训练循环。先跑通可视化代码，把标注蒙到原图上，肉眼扫一遍。下面这段是我常用的最小脚本，可以一次看10张图并自动保存结果：
import cv2 import numpy as np import glob import os def read_label_txt(txt_path): """读取labels.txt，返回 id->(name, rgb, isthing) 映射""" id2info = {} with open(txt_path, 'r') as f: for line in f: parts = line.strip().split() if len(parts) >= 5: cid = int(parts[0]) name = parts[1] rgb = (int(parts[2]), int(parts[3]), int(parts[4])) isthing = int(parts[5]) if len(parts) > 5 else 0 id2info[cid] = (name, rgb, isthing) return id2info def visualize_one(image_path, mask_path, id2info, save_path): img = cv2.imread(image_path) img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) mask = cv2.imread(mask_path, cv2.IMREAD_UNCHANGED) # 如果是单通道，直接reshape成(H,W)；是3通道则作为RGB可视化图 if len(mask.shape) == 3 and mask.shape[2] == 3: # 已知是RGB标注图，但这里我们统一转成单通道ID图 # 需要先建立 rgb->id 的映射 rgb2id = {info[1]: cid for cid, info in id2info.items()} h, w = mask.shape[:2] mask_id = np.zeros((h, w), dtype=np.int32) flattened = mask.reshape(-1, 3) for i, pixel in enumerate(flattened): key = tuple(pixel) if key in rgb2id: mask_id.reshape(-1)[i] = rgb2id[key] mask = mask_id else: # 已经是单通道ID图 mask = mask.astype(np.int32) # 生成彩色可视化图 color_mask = np.zeros((mask.shape[0], mask.shape[1], 3), dtype=np.uint8) for cid, (name, rgb, isthing) in id2info.items(): color_mask[mask == cid] = rgb overlay = cv2.addWeighted(img, 0.5, color_mask, 0.5, 0) # 拼接原图、彩mask、叠加图 combined = np.hstack([img, color_mask, overlay]) # 保存结果 cv2.imwrite(save_path, cv2.cvtColor(combined, cv2.COLOR_RGB2BGR)) if __name__ == '__main__': id2info = read_label_txt('dataset/labels/labels.txt') img_paths = sorted(glob.glob('dataset/images/*.jpg'))[:10] for img_path in img_paths: stem = os.path.splitext(os.path.basename(img_path))[0] mask_path = f'dataset/masks/{stem}.png' save_path = f'vis_{stem}.png' visualize_one(img_path, mask_path, id2info, save_path) print('saved', save_path)这段代码要说明几个关键点。首先，读取mask用cv2.imread(mask_path, cv2.IMREAD_UNCHANGED)而不是默认方式，否则带透明通道的PNG会被自动丢通道。其次，如果mask是三通道RGB标注图，代码里通过rgb2id做逐像素映射，这个循环在真实数据上会非常慢，通常我会先按颜色对像素做索引优化，但对于小样本验证足够用。最后，可视化叠加使用addWeighted把原图和彩色mask各占50%，能同时看到图像纹理和标注边界，方便观察标注是否贴边、是否漏标。
4.2 按类别统计像素占比：发现类别不均衡
可视化只能看几张，统计才能看全局。建议跑一遍全数据集的类别像素分布，顺手输出每张图的mask是否有空洞、是否有未知ID。脚本如下：
import numpy as np import glob import cv2 from collections import Counter mask_paths = sorted(glob.glob('dataset/masks/*.png')) total_pixels = 0 class_pixels = Counter() unknown_pixels = 0 for mp in mask_paths: mask = cv2.imread(mp, cv2.IMREAD_UNCHANGED) if len(mask.shape) == 3: mask = mask[..., 0] # 简化：假设第一个通道存ID；严格应查表 mask = mask.astype(np.int32) total_pixels += mask.size vals, counts = np.unique(mask, return_counts=True) for v, c in zip(vals, counts): if v in id2info: class_pixels[v] += c else: unknown_pixels += c print('total pixels:', total_pixels) for cid in sorted(class_pixels.keys()): name = id2info[cid][0] ratio = class_pixels[cid] / total_pixels * 100 print(f'class {cid:2d} {name:10s} pixels: {class_pixels[cid]:10d} ratio: {ratio:.3f}%') print('unknown pixels:', unknown_pixels)这个统计能直观回答三个问题：类别是否不均衡到需要重采样或加权损失，是否有超小类别在模型里会被忽略，标注中是否出现未知像素。如果unknown_pixels数量很大，说明label.txt里可能漏了某个类别，或者mask里有脏数据，必须回到坐标系里找出具体图片来修；如果某个类占比低于0.1%，比如墙上的插座，那么后续需要额外关注它的表现，或者干脆在评估时单独看。
4.3 可视化结果与常见误用：颜色错乱、通道顺序
第一次跑可视化最容易遇到的问题是颜色完全不对——床是蓝色、墙是红色，跟labels.txt里定义的对不上。原因通常有两个：一是txt里RGB顺序是R、G、B，但用cv2读图时默认是BGR，于是你直接用color_mask[mask == cid] = rgb赋值时，实际写入的是BGR，最后保存又转了RGB，来回倒腾成了红蓝互换。二是PNG标注图本身是带调色板的索引图像，直接用cv2.imread读到的是索引值而不是颜色，需要用PIL或者cv2.imread(..., cv2.IMREAD_UNCHANGED)后检查flag。我的经验是：先读一张测试图像，用mask.dtype和mask.shape打印出来确认类型，再跑可视化，不要跳过这一步。
另一个常见误用是把可视化叠加图当成训练输入。叠加图里混了原图纹理和mask颜色，模型学的是“颜色配纹理”的捷径，而不是物体轮廓。训练必须用原始RGB图像和单通道ID标签，可视化图只用于人类质检，绝不能混入训练数据。
5. 模型训练前的数据准备：把数据集转成你需要的格式
5.1 转成COCO全景分割格式（panoptic_json）
现在主流分割框架（如detectron2、MMDetection）都支持COCO Panoptic格式。这种格式的核心有两个文件：一个记录每张图片的目录和尺寸，一个记录每张图的全景分割标注文件路径以及所有实例的segment信息。对家庭家具场景来说，COCO Panoptic的JSON结构大致是：
{ "images": [ {"id": 1, "file_name": "0001.jpg", "width": 1920, "height": 1080} ], "categories": [ {"id": 3, "name": "bed", "supercategory": "furniture", "isthing": 1} ], "annotations": [ { "image_id": 1, "file_name": "0001.png", "segments_info": [ {"id": 3001, "category_id": 3, "iscrowd": 0, "area": 123456} ] } ] }这里segments_info里列表的每个元素对应一个实例。ID的编码有讲究：COCO Panoptic要求每个实例的ID是“类别ID * 1000 + 实例序号”，这样从像素值可以直接反推出类别和实例。比如有一张图里床的实例编号为1，它的像素值就是3001。所以在转换时，如果你的mask是“类别ID直接作为像素值”而不是“类别ID*1000+实例ID”，你得先做合并连通域并重新编号。
转换时还要注意保持类别ID全局一致。如果labels.txt里的ID是0到18，而COCO的类别ID一般从1开始，要不要把背景类从0改成19？这取决于框架约定，比如detectron2里保留0给无标签区，那么背景类就改成19，所有家具ID不变。如果你两种框架都用，最简单的办法是写一个配置文件记录转换前后的ID映射，而不是在代码里硬编码。
5.2 转成YOLO分割标签的边界
很多用户用这份数据是想迁到YOLOv8的segmentation任务上。YOLO分割的标签格式是：每行一个物体的标注，第一列是类别ID，后面跟着归一化的多边形顶点坐标（x1,y1,x2,y2,...），且所有坐标都除以图片宽高。这个格式要求每个物体必须有明确的轮廓点集。所以转换不能直接拿类别ID图硬套——你需要先从标注mask中提取每个实例的轮廓，再用工具如opencv的findContours得到多边形，然后简化顶点数量，最后写进txt。
这里有个关键边界：全景分割里的stuff类（墙、地板）如果按YOLO格式做实例分割，通常会有巨大面积和多边形顶点爆炸，而且一个图里墙的轮廓可能因为遮挡而破碎成几十个片段。我的建议是转换时直接丢弃stuff类，只保留thing类家具。原因很简单：YOLO分割是为目标检测设计的，背景类应该被模型隐式学习，而不是显式标注。如果你强行把墙也标进去，训练时会导致大量低质量ground truth，反而拖累家具的检测精度。
另外，YOLO标签是绝对坐标归一化，如果你用COCO格式做训练，但评估时又要转回YOLO，要留意坐标系重复归一化的错误。我见过有人先把坐标除以宽高，存下来，再从磁盘读取时又除以一次宽高，结果所有物体都被缩到角落。建议在项目里设置一个“数据管道”文件，统一入口，避免到处裸写归一化逻辑。
5.3 训练集/验证集划分时的坑
全景分割数据集划分不能像分类任务那样纯随机，因为同一套家庭场景往往拍摄了多张不同角度的图片，同一房间的相邻视角高度相似。如果随机划分，验证集里经常出现训练集同一房间的近景或侧视图，导致验证指标虚高，模型看起来PQ=55，部署到别的家庭却只有35。
做法是：先按房间或拍摄场景分桶，比如每个场景对应一组图片，再把整组放到训练集或验证集。标签文本文件里如果已经给了“scene_id”，用它来划分；没有的话，通过文件名前缀或人工查看图片场景来分组。划分比例我一般用85%训练、15%验证，对于几千张规模的数据足够。同时，划分完要保留一份“split.txt”文件，记录每张图所属集合，方便多个脚本共用同一份划分，避免训练程序内部random种子不一致导致评估结果不可复现。
6. 避坑：家庭场景家具分割数据集的常见问题与排查
6.1 现象：训练时loss不收敛或验证集PQ几乎为0
原因：labels.txt里的类别ID与mask图像中的像素值不一致。最常见的是txt里ID从0开始，但mask里背景像素是255，或者某些家具类别ID被偏移了1。比如txt定义床是ID=3，但标注图里的床像素值是4，模型每次都学错，loss当然降不下去。
解决：在做任何训练前，先跑一遍我前面写的类别统计脚本，把mask中实际出现的所有ID列出来，并与txt定义逐一比对。如果发现未知像素且数量不少，大概率是ID偏移，只要将mask中的像素整体减去偏移即可。处理完再做一次可视化，确认每个类别颜色正确。记住一个原则：宁可多花十分钟检查ID映射，也不要直接开训练。
6.2 现象：训练结果里小类别（插座、开关、灯具）完全没被预测出来
原因：类别像素占比低于0.5%甚至0.1%，在交叉熵损失下，这些小类别的梯度被大类别淹没。家庭场景中墙面和地板占比可能超过40%，而开关只有几个像素，模型直接忽略它们反而能降低loss，所以网络选择了“偷懒”路径。
解决：在损失函数中对类别频率求反比权重，或者使用OHEM（在线难例挖掘）让模型更关注难样本。具体实现可以在mmseg或detectron2里直接配置class_weight。另外，对占比极低的类别做离线数据增强——比如把小目标区域复制粘贴到其他图上，增加它们的出现频率，这比单纯调损失函数更有效。但要注意增强后的标注也需要同步修改，否则粘贴后的目标没有对应标签，模型学不到正样本。
6.3 现象：可视化时发现mask边缘有黑边、空洞或掩膜碎片
原因：标注工具在生成多边形时由于坐标量化产生了亚像素误差，或者后处理中用形态学操作时误伤边缘像素。黑边通常是因为mask中像素值0表示未标注区域，但在保存时被作为正常背景处理。空洞则多见于家具腿和沙发缝隙处，同一实例在连通域分析时被分成了几块。
解决：对每张mask做后处理：用cv2.connectedComponents检查同类别ID中是否有多余的不连通小区域，面积小于一定阈值（比如刚才统计的该类别平均面积的1/100）的，可以归入其邻近的大区域；黑边则用cv2.morphologyEx闭运算填充小孔。不过要谨慎，大量后处理可能改变真实语义边界，最好在数据源头修正标注。如果数据集本身是provided的，只是小瑕疵，我一般直接跳过可能有问题的图片，而不是每张都强行修复。
6.4 现象：训练时输入尺寸和mask尺寸不对齐，程序报错或者mask整体偏移
原因：训练预处理通常会resize到固定尺寸，但有些代码只对原始图像做了resize，忘记对mask做同样的resize，或者用了不同的插值方式。比如图像用双线性resize，mask用最近邻resize，结果物体边界因为插值方式不同出现了几个像素的偏移，肉眼看不出来，模型训练却会感知到标签噪声。
解决：统一使用最近邻插值对mask做resize，因为mask是离散标签，不能用双线性平滑。在封装数据加载时，建议把图像和mask的resize放在同一个函数里，用同一个scale参数，确保两者大小完全一致。另外，最好加一个断言：assert image.shape[:2] == mask.shape[:2]，在调试模式下快速发现不匹配。
6.5 现象：模型按19类训练，但txt标签里却多出背景类，或训练脚本中类别数和数据不匹配
原因：开头说过，19类可能包含背景类，也可能不包含。很多工具箱要求类别列表从0到N-1连续，如果你把背景当作第0类，又把“无标签”也当成一类，就会导致实际类别数变成20，损失函数最后一维尺寸出错。或者反过来，评估脚本里用19个类别，但模型输出却是20个类，导致索引错位。
解决：在读入数据后，立刻确定“监督类别”列表。推荐做法是把背景类也当作第0类，所有家具从1开始编号，背景类的像素覆盖墙、地板、天花板，并作为语义分支的一类参与训练。如果原数据集把墙、地板、天花板分成了多个stuff类，那么你可以在数据预处理时把它们合并成一个背景类，从而把总类别压到19。合并的细节很简单，把三个ID的像素全部赋值为0。但要注意，合并后详细信息就丢失了，如果你需要分别评估墙和地板的准确性，就不要合并，而是将类别数设置为原ID数量再增加一个未标注背景。这取决于你的业务目标，没有绝对的“正确方案”，但要做到心中有数。
7. 进阶：用这个数据集做增量训练与迁移验证
7.1 用预训练模型微调：只改输出头为19+1类
如果你不想从零训练一个全景分割模型，最常见做法是拿COCO上预训练好的Panoptic FPN或Mask2Former来微调，让它适应“家庭家具19类”的域。以detectron2为例，你只需要修改配置里的NUM_CLASSES和类别列表，然后加载预训练权重，注意不要加载模型输出层的FC权重，因为输出类别数变了。训练策略上，由于家庭场景与COCO的室内场景不完全一样，但底层特征（边缘、纹理、形状）仍共享，所以建议冻结backbone前几层，只训练FPN和输出头，等loss降到一定程度再解冻全部微调。
这里有个落地技巧：用一个小学习率（比如基础学习率的0.1倍）微调，并加入“只更新最后几层”的表征分析。我一般会在训练到一半时可视化少量标注和预测结果，如果发现模型把餐桌误判成书桌，会针对性增加这种难例的采样权重——家庭家具类别之间形状相似性高，这种混淆很常见，光靠调学习率解决不了。
7.2 验证指标：PQ、SQ、RQ怎么算
全景分割的指标不是mIoU，而是PQ（Panoptic Quality），它综合了识别质量（RQ）和分割质量（SQ）。公式是：
PQ = SQ * RQ SQ = 对所有匹配实例的 IoU 求和 / 匹配实例数 RQ = 匹配实例数 / (预测实例数 + 真值实例数) / 2 的变体，常见表达为 TP / (TP + 0.5*FP + 0.5*FN)严格说，计算PQ需要先做实例匹配：预测实例和真值实例IoU大于0.5则算匹配。然后分别对stuff类和thing类计算。如果只是做语义分割，或者你合并了背景类，那就用mIoU评估。但既然你用的是全景分割标签，建议直接用官方panopticapi库来计算PQ、SQ、RQ。在这份家庭家具场景里，典型的坑是stuff类的SQ很高，因为墙、地板都是大块连通区域，IoU容易高；而thing类尤其是小物体，SQ会被小目标的不精确边界拖累。所以看指标时要分开看，不要只看一个总PQ，否则会掩盖小家具性能差的问题。
我习惯在验证时额外输出每个类别的IoU和PQ，并排序打印，用来定位最差的类别。这样比只看整体指标好得多。比如你发现空调的PQ只有20，而床有80，那说明模型对空调这种形状差异大且机器表面反光的类别没学好，下一步再针对性增强数据或调整损失权重。
7.3 我的习惯：先跑通可视化再谈训练，最后用PQ做决策
带这份数据做项目，我通常会先花半天时间把可视化、统计、格式转换三件套跑通，而不是直接拿预训练模型开训。因为数据集自带的可视化代码只解决“看”，但训练pipeline需要的是“标准输入输出”的契合。我会把那份txt标签文本当作唯一事实来源，任何时候怀疑标注问题时，回到它去对比。
项目收尾时，我会刻意保留一组彩色可视化对比图——原图、真值mask、模型预测mask并排拼接。这不仅是给团队看的产物，也是排查模型系统性错误最直接的手段。比如发现预测的地板边界总是离开墙角几像素，说明数据标注时墙体底部可能有一条未标注的黑色过渡带，需要在预处理时注意这个区域；有时预测的家具轮廓比真值膨胀了一圈，说明mask在resize时被错误地用了双线性插值，回到代码里就能定位。
一个容易被忽略的细节是：数据集里的txt标签文本可能没有表头，也可能带有BOM头导致首行解析出错。我的习惯是在代码中先读取首行并检查是否包含非数字字符，如果有就用utf-8-sig编码重新读取。这个不起眼的小问题曾经让我浪费了一个下午去排查“为什么第一个类别的名字多了一个看不见的字符”。希望在你看这份笔记时，已经能避开我踩过的这些坑。家庭场景家具全景分割不是个难任务，但“数据到手先梳理、再训练”这条铁律，无论做多少遍都值得坚持。希望帮到你。
本文还有配套的精品资源，点击获取
