La investigación sobre la conversión de dibujos rasterizados 2D en datos vectoriales 3D tiene una larga historia en el campo del reconocimiento de patrones. Antes de lograr el aprendizaje automático, los estudios existentes se basaban en heurísticas y reglas. En los últimos años, ha habido varios estudios que emplean el aprendizaje profundo, pero se requería un gran esfuerzo para asegurar una gran cantidad de datos para el aprendizaje. En este estudio, para superar estas limitaciones, utilizamos métodos de Conjunto 3DPlanNet que incorporan métodos heurísticos basados en reglas para aprender con solo una pequeña cantidad de datos (30 imágenes de planos de planta). Experimentalmente, este método produjo una precisión de pared de más del 95% y una precisión de objetos similar a la de un estudio anterior que utilizaba una gran cantidad de datos de aprendizaje. Además, los dibujos 2D sin información de dimensiones se convirtieron en tamaños de verdad de terreno con una precisión del 97% o más, y se crearon datos estructurales en forma de modelos 3D en los que se dividían capas para cada objeto, como paredes, puertas, ventanas y habitaciones. Utilizando el Conjunto 3DPlanNet propuesto en este estudio, generamos 110,000 datos vectoriales 3D con una precisión de pared del 95% o más a partir de dibujos rasterizados 2D de principio a fin.