Questions fréquentes

1. Exportez votre graphe spatial depuis Revit (plugin EngineAntigravity)
2. Placez le .json dans le dossier data/
3. Lancez python classify_launcher.py
4. Sélectionnez votre fichier dans l'interface et cliquez « Lancer »

Alternative CLI : python src/export_viewer.py data/mon_fichier.json

Le classifieur ne lit jamais les noms de pièces donnés par l'architecte dans Revit (« Séjour », « CH1 », etc.). Il n'utilise que la géométrie (surface, portes, fenêtres) et la topologie (connexions entre pièces). Les noms Revit ne servent qu'à évaluer la précision (accuracy) après coup.

12 types : bedroom, living_room, kitchen, bathroom, toilet, entrance_hall, corridor, storage, laundry, balcony, terrace, garden.

Chaque type a des règles spécifiques basées sur la surface, le nombre de fenêtres, la connectivité, et le contexte d'appartement.

Le projet inclut une infrastructure d'expérimentation autonome (autoresearch/) :

1. Créez une branche : git checkout -b autoresearch/montest
2. Modifiez les règles dans src/blind_classifier.py
3. Lancez le benchmark : python autoresearch/run_baseline.py
4. Comparez les scores et gardez ou rejetez le changement

Consultez autoresearch/program.md pour le protocole complet.

Ce projet n'utilise aucune dépendance externe. Si vous avez cette erreur :

• Vérifiez que vous lancez la commande depuis la racine du projet
• Vérifiez votre version Python : python --version (≥ 3.10 requis)
• Sous Windows, essayez python au lieu de python3

Oui, c'est normal. Le viewer HTML est autonome (self-contained) : il embarque toutes les données du graphe, les coordonnées des polygones, et la trace de classification. Pas besoin de serveur pour l'ouvrir — un simple double-clic suffit.