在建築領域，蒐集大量且品質一致的標註圖紙並不容易，主要因為產業特性涉及智慧財產權，資料流通與交換相當有限。
　　因此，本文引用論文所採用的Cubicase5K案例與本系列42 張小樣本的測試案例進行對照，並且來分析資料集規模與資料增強對辨識任務的實務影響。

11.1. 小樣本驗證的泛化陷阱

　　上一篇我們已將模型作了一次的驗證，但由於本系列僅有42 張資料集，是屬於極小樣本，需要特別留意泛化的陷阱。以同樣的資料集，我再試以本地運算驗證為例，並將結果進行對照，：

　　從上表可以發現，雖然同一組模型與資料集，在Colab驗證時召回率高達0.619，卻在本地驗證時僅有0.286，單次高分並不代表模型具備真正的泛化能力或實務可用性，因為很可能是巧合性的預測到電腦較熟悉的題目。因此，若想真實應用於產業上，仍應以大樣本、多次驗證為主，避免模型預測不佳，以致數據失準。

11.2. 資料集規模的影響

CubiCasa5K數據集源自：https://zenodo.org/records/2613548

　　這個資料集主要是由芬蘭地區的房地產行銷資料轉換而成，當初為研究自動平面圖識別與生成而建置的大型數據集，其共有5,000張圖像。

以下引用《應用圖像識別及相似圖神經網路於建築物步行距離檢討之研究，2024》論文之相關實驗數據：

　　在論文裡有100張(表3.6)和6440張(表4.7) 的兩種測試(物件包含門與樓梯)，從比較中可以明顯觀察到資料集規模對模型效能的影響：

　　從上表可以發現，當資料集由100張擴充到6440張（含資料增強），模型在各項指標都有明顯提升，因此，資料集的規模也是影響AI模型，能否穩定且實際應用於BIM自動建模的核心關鍵之一。

11.3. 資料增強的效果

　　除了擴充資料集規模外，資料增強技術同樣是提升模型泛化能力的關鍵。如例如CubiCasa5K原始原始100張的標註分布極度不均（如門與樓梯數量差距大），導致部分類別辨識精度偏低。
　　因此，研究特別針對門洞、推拉門與樓梯類型，額外增加1,440張特徵圖，也顯著提升了模型對資料量偏少的物件辨識能力。
　　本系列同樣透過資料增強，將18張原圖擴充為42張資料集，這也顯示資料增強對AI建築圖辨識有相當地重要性。

11.4. 結語

　　今天從實際案例成果的對照，進一步瞭解資料集規模與資料增強對AI模型的重要性。回顧至今，我們也從Day6~Day11完整走過YOLO物件偵測的流程，明天開始我們將進入新的章節，一起繼續探索OCR於建築領域的應用吧！