El aprendizaje supervisado para la navegación visual basada en vehículos aéreos no tripulados (UAV) plantea la necesidad de conjuntos de datos fiables con etiquetas de múltiples tareas (por ejemplo, etiquetas de clasificación y regresión). Sin embargo, los conjuntos de datos públicos actuales tienen limitaciones: (a) los conjuntos de datos al aire libre tienen una capacidad de generalización limitada cuando se utilizan para entrenar modelos de navegación en interiores; (b) el rango de etiquetas de múltiples tareas, especialmente para tareas de regresión, está en diferentes unidades, lo que requiere una transformación adicional. En este artículo, presentamos un conjunto de datos de Navegación en Interiores con Drones Hull (HDIN) para mejorar la capacidad de generalización para la navegación visual basada en interiores. Los datos se recopilaron de los sensores a bordo de un UAV. Se ha propuesto un método de etiquetado de factor de escala con tres tipos de etiquetas para superar las fluctuaciones de datos durante la recopilación y las unidades no idénticas de las etiquetas de regresión simultáneamente. Se empleó una Red Neuronal Convolucional de código abierto (es decir, DroNet) como algoritmo base para reentrenar el conjunto de datos HDIN propuesto y se comparó con los resultados preentrenados de DroNet en su conjunto de datos original, ya que tenemos un formato y estructura de datos similares al conjunto de datos de DroNet. Los resultados muestran que las etiquetas en nuestro conjunto de datos son fiables y consistentes con las muestras de imagen.