Link to this sectionمجموعة بيانات HomeObjects-3K#

مجموعة بيانات Ultralytics HomeObjects-3K هي مجموعة بيانات لاكتشاف الكائنات داخلية تحتوي على 2689 صورة (2285 للتدريب و404 للتحقق) مصنفة عبر 12 فئة من الأدوات المنزلية اليومية — سرير، أريكة، كرسي، طاولة، مصباح، تلفاز، حاسوب محمول، خزانة ملابس، نافذة، باب، نبتة محفوظ بوعاء، وإطار صورة. صُممت هذه المجموعة لتدريب ونماذج قياس الأداء لـ رؤية الحاسوب، وهي تستهدف فهم المشاهد الداخلية، وأجهزة المنزل الذكي، والروبوتات، والواقع المعزز.

Link to this sectionهيكل مجموعة البيانات#

تم تقسيم مجموعة بيانات HomeObjects-3K إلى مجموعتين فرعيتين محددتين مسبقاً، تم تعريفهما بواسطة ملف التهيئة HomeObjects-3K.yaml:

تم تصنيف كل صورة بصناديق إحاطة بتنسيق Ultralytics YOLO، وهي جاهزة لخطوط أنابيب اكتشاف الكائنات والتتبع.

Link to this sectionفئات الأغراض#

تغطي مجموعة البيانات 12 فئة من الكائنات اليومية التي تشمل الأثاث والإلكترونيات والعناصر الزخرفية الموجودة عادة في البيئات المنزلية الداخلية:

Link to this sectionالتطبيقات#

تدعم HomeObjects-3K مجموعة من تطبيقات رؤية الحاسوب الداخلية عبر البحث وتطوير المنتجات:

• اكتشاف الكائنات الداخلية: استخدم نماذج مثل Ultralytics YOLO26 للعثور على العناصر المنزلية الشائعة مثل الأسرّة والكراسي والمصابيح والحواسيب المحمولة وتحديد موقعها في الصور من أجل فهم المشاهد الداخلية في الوقت الفعلي.

• تحليل تخطيط المشهد: مساعدة أنظمة الروبوتات والمنزل الذكي على فهم كيفية ترتيب الغرف — أين توجد الأبواب والنوافذ والأثاث — بحيث يمكن للأجهزة التنقل بأمان والتفاعل مع بيئتها.

• تطبيقات الواقع المعزز: تشغيل ميزات التعرف على الكائنات في تطبيقات الواقع المعزز. على سبيل المثال، اكتشاف أجهزة التلفاز أو خزائن الملابس وتراكب معلومات إضافية أو تأثيرات عليها.

• التعليم والبحث: توفير مجموعة بيانات جاهزة للاستخدام للطلاب والباحثين لممارسة اكتشاف الكائنات الداخلية باستخدام أمثلة من العالم الحقيقي.

• جرد المنزل وتتبع الأصول: اكتشاف الأغراض المنزلية وإدراجها تلقائياً في الصور أو مقاطع الفيديو، وهو أمر مفيد لإدارة الممتلكات، أو تنظيم المساحات، أو تصور الأثاث في العقارات.

لتصنيف صورك الداخلية الخاصة، والتدريب، وإدارة إصدارات مجموعة البيانات في متصفحك، قم بتشغيل سير العمل الكامل باستخدام منصة Ultralytics.

Link to this sectionYAML مجموعة البيانات#

يحدد ملف HomeObjects-3K.yaml تهيئة مجموعة البيانات — مسارات صور التدريب والتحقق وقائمة فئات الكائنات. تتم صيانته في مستودع Ultralytics على https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/HomeObjects-3K.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# HomeObjects-3K dataset by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/homeobjects-3k
# Example usage: yolo train data=HomeObjects-3K.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── homeobjects-3K ← downloads here (390 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: homeobjects-3K # dataset root dir
train: images/train # train images (relative to 'path') 2285 images
val: images/val # val images (relative to 'path') 404 images

# Classes
names:
  0: bed
  1: sofa
  2: chair
  3: table
  4: lamp
  5: tv
  6: laptop
  7: wardrobe
  8: window
  9: door
  10: potted plant
  11: photo frame

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/homeobjects-3K.zip

Link to this sectionالاستخدام#

يمكنك تدريب نموذج YOLO26n على مجموعة بيانات HomeObjects-3K لمدة 100 حقبة باستخدام حجم صورة 640. يتم تنزيل مجموعة البيانات (390 ميجابايت) تلقائياً عند الاستخدام الأول. توضح الأمثلة أدناه كيفية البدء. لمزيد من خيارات التدريب والإعدادات التفصيلية، راجع دليل التدريب.

from ultralytics import YOLO

# Load pretrained model
model = YOLO("yolo26n.pt")

# Train the model on HomeObjects-3K dataset
model.train(data="HomeObjects-3K.yaml", epochs=100, imgsz=640)

Link to this sectionصور وشروحات توضيحية عينة#

يعرض النموذج أدناه مشهداً داخلياً من مجموعة البيانات مع تعليقات توضيحية لصناديق الإحاطة، مما يوضح مواقع الكائنات ومقاييسها والعلاقات المكانية التي تتعلم النماذج اكتشافها.

Link to this sectionالترخيص والنسب#

تم تطوير وإصدار HomeObjects-3K بواسطة فريق Ultralytics بموجب رخصة AGPL-3.0، مما يدعم البحث مفتوح المصدر والاستخدام التجاري مع الإسناد المناسب.

إذا كنت تستخدم مجموعة البيانات هذه في بحثك، فيرجى الاستشهاد بها باستخدام التفاصيل المذكورة:

@dataset{Jocher_Ultralytics_Datasets_2025,
    author = {Jocher, Glenn and Rizwan, Muhammad},
    license = {AGPL-3.0},
    month = {May},
    title = {Ultralytics Datasets: HomeObjects-3K Detection Dataset},
    url = {https://docs.ultralytics.com/datasets/detect/homeobjects-3k/},
    version = {1.0.0},
    year = {2025}
}

Link to this sectionالأسئلة الشائعة#

Link to this sectionما الغرض من تصميم مجموعة بيانات HomeObjects-3K؟#

صُممت HomeObjects-3K لاكتشاف العناصر المنزلية اليومية — مثل الأسرّة والأرائك وأجهزة التلفاز والمصابيح — في المشاهد الداخلية. وهذا يجعلها مناسبة تماماً للمنازل الذكية والروبوتات والواقع المعزز وأنظمة المراقبة الداخلية، لكل من النشر على الحافة في الوقت الفعلي والبحث الأكاديمي.

Link to this sectionكم عدد الصور والفئات الموجودة في مجموعة بيانات HomeObjects-3K؟#

تحتوي HomeObjects-3K على 2689 صورة إجمالاً — 2285 للتدريب و404 للتحقق — بدون تقسيم اختبار منفصل. كل صورة مصنفة عبر 12 فئة كائن: سرير، أريكة، كرسي، طاولة، مصباح، تلفاز، حاسوب محمول، خزانة ملابس، نافذة، باب، نبتة محفوظ بوعاء، وإطار صورة.

Link to this sectionما هي فئات الأغراض المضمنة، ولماذا تم اختيارها؟#

تتضمن مجموعة البيانات 12 من العناصر المنزلية الأكثر شيوعاً: سرير، أريكة، كرسي، طاولة، مصباح، تلفاز، حاسوب محمول، خزانة ملابس، نافذة، باب، نبتة محفوظ بوعاء، وإطار صورة. تم اختيار هذه الكائنات لتعكس البيئات الداخلية الواقعية ولدعم مهام مثل التنقل الروبوتي وفهم المشهد في تطبيقات الواقع المعزز/الواقع الافتراضي.

Link to this sectionكيف يمكنني تنزيل مجموعة بيانات HomeObjects-3K؟#

يتم تنزيل مجموعة البيانات (390 ميجابايت) تلقائياً في المرة الأولى التي تقوم فيها بالتدريب باستخدام data="HomeObjects-3K.yaml" — لا توجد خطوة يدوية مطلوبة. تقوم Ultralytics بجلب الصور والتسميات وتفريغها في دليل مجموعات البيانات المحلية الخاص بك. يمكنك تصفح مجموعات البيانات ذات الصلة في نظرة عامة على مجموعات بيانات الاكتشاف.

Link to this sectionكيف يمكنني تدريب نموذج YOLO باستخدام مجموعة بيانات HomeObjects-3K؟#

لتدريب نموذج YOLO مثل YOLO26n، تحتاج إلى ملف تهيئة HomeObjects-3K.yaml وأوزان النموذج المدرب مسبقاً. يبدأ التدريب بأمر Python أو CLI واحد، ويمكنك تخصيص معلمات مثل الحقبات وحجم الصورة وحجم الدفعة لتحقيق الأداء والأجهزة المستهدفة.

from ultralytics import YOLO

# Load pretrained model
model = YOLO("yolo26n.pt")

# Train the model on HomeObjects-3K dataset
model.train(data="HomeObjects-3K.yaml", epochs=100, imgsz=640)

Link to this sectionهل مجموعة البيانات هذه مناسبة للمشاريع المبتدئة؟#

نعم. تجعل تعليقاتها التوضيحية الموحدة بتنسيق YOLO وحجمها المدمج HomeObjects-3K نقطة دخول قوية للطلاب والهواة الذين يستكشفون اكتشاف الكائنات في العالم الحقيقي في سيناريوهات داخلية.

Link to this sectionأين يمكنني العثور على تنسيق الشرح وملف YAML؟#

راجع قسم مجموعة بيانات YAML. التنسيق هو YOLO القياسي، مما يجعله متوافقاً مع معظم مسارات عمل اكتشاف الأغراض.