مجموعة بيانات HomeObjects-3K

مجموعة بيانات HomeObjects-3K عبارة عن مجموعة مختارة من صور الأدوات المنزلية الشائعة، مصممة للتدريب والاختبار وقياس الأداء لنماذج رؤية الحاسوب. تحتوي هذه المجموعة على حوالي 3,000 صورة و12 فئة متميزة من الكائنات، وهي مثالية للبحث والتطبيقات في مجال فهم المشاهد الداخلية، وأجهزة المنزل الذكي، والروبوتات، والواقع المعزز.

هيكل مجموعة البيانات

يتم تنظيم مجموعة بيانات HomeObjects-3K في المجموعات الفرعية التالية:

• مجموعة التدريب: تتألف من 2,285 صورة مشروحة تحتوي على كائنات مثل الأرائك والكراسي والطاولات والمصابيح وغيرها.
• مجموعة التحقق: تتضمن 404 صور مشروحة مخصصة لتقييم أداء النموذج.

يتم تصنيف كل صورة باستخدام مربعات إحاطة تتوافق مع تنسيق Ultralytics YOLO. إن تنوع الإضاءة الداخلية، ومقياس الكائنات، والاتجاهات يجعلها قوية لسيناريوهات النشر في العالم الحقيقي.

فئات الكائنات

تدعم مجموعة البيانات 12 فئة من الكائنات اليومية، تغطي الأثاث والإلكترونيات والعناصر الزخرفية. تم اختيار هذه الفئات لتعكس العناصر الشائعة الموجودة في البيئات المنزلية الداخلية ودعم مهام الرؤية مثل اكتشاف الكائنات وتتبع الكائنات.

!!! Tip "فئات HomeObjects-3K"

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

التطبيقات

تُمكّن HomeObjects-3K مجموعة واسعة من التطبيقات في رؤية الحاسوب الداخلية، والتي تمتد لتشمل الأبحاث وتطوير المنتجات في العالم الحقيقي:

• اكتشاف الكائنات الداخلية: استخدم نماذج مثل Ultralytics YOLO26 للعثور على وتحديد العناصر المنزلية الشائعة مثل الأسرة والكراسي والمصابيح وأجهزة الكمبيوتر المحمولة في الصور. يساعد هذا في الفهم الفوري للمشاهد الداخلية.

• تحليل تخطيط المشهد: في أنظمة الروبوتات والمنزل الذكي، يساعد هذا الأجهزة على فهم كيفية ترتيب الغرف، ومكان وجود الكائنات مثل الأبواب والنوافذ والأثاث، حتى تتمكن من التنقل بأمان والتفاعل مع بيئتها بشكل صحيح.

• تطبيقات الواقع المعزز (AR): تشغيل ميزات التعرف على الكائنات في التطبيقات التي تستخدم الواقع المعزز. على سبيل المثال، اكتشف أجهزة التلفاز أو خزائن الملابس واعرض معلومات أو تأثيرات إضافية عليها.

• التعليم والبحث: دعم مشاريع التعلم والأكاديمية من خلال منح الطلاب والباحثين مجموعة بيانات جاهزة للاستخدام لممارسة اكتشاف الكائنات الداخلية بأمثلة من العالم الحقيقي.

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

ملف YAML الخاص بمجموعة البيانات

يتم توفير تكوين مجموعة بيانات HomeObjects-3K من خلال ملف YAML. يوضح هذا الملف المعلومات الأساسية مثل مسارات الصور لمجلدات التدريب والتحقق، وقائمة فئات الكائنات. يمكنك الوصول إلى ملف HomeObjects-3K.yaml مباشرة من مستودع Ultralytics على الرابط: 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

الاستخدام

يمكنك تدريب نموذج YOLO26n على مجموعة بيانات HomeObjects-3K لمدة 100 حقبة (epochs) باستخدام حجم صورة 640. 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)

صور وعينات تعليقات توضيحية

تتميز مجموعة البيانات بمجموعة غنية من صور المشاهد الداخلية التي تلتقط نطاقاً واسعاً من الأدوات المنزلية في بيئات منزلية طبيعية. فيما يلي صور نموذجية من مجموعة البيانات، كل منها مقترن بتعليقاتها التوضيحية المقابلة لتوضيح مواقع الكائنات، والمقاييس، والعلاقات المكانية.

الترخيص والإسناد

تم تطوير وإصدار HomeObjects-3K بواسطة فريق Ultralytics بموجب ترخيص AGPL-3.0، مما يدعم البحث مفتوح المصدر والاستخدام التجاري مع نسب العمل إلى مصدره بشكل صحيح.

إذا كنت تستخدم مجموعة البيانات هذه في بحثك، يرجى 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}
}

الأسئلة الشائعة

ما الغرض من تصميم مجموعة بيانات HomeObjects-3K؟

تم تصميم HomeObjects-3K لتعزيز فهم الذكاء الاصطناعي للمشاهد الداخلية. وهي تركز على اكتشاف الأدوات المنزلية اليومية—مثل الأسرة، والأرائك، وأجهزة التلفاز، والمصابيح—مما يجعلها مثالية للتطبيقات في المنازل الذكية، والروبوتات، والواقع المعزز، وأنظمة المراقبة الداخلية. سواء كنت تدرب نماذج لأجهزة الحافة الفورية أو للبحث الأكاديمي، توفر مجموعة البيانات هذه أساساً متوازناً.

ما هي فئات الكائنات المتضمنة، ولماذا تم اختيارها؟

تتضمن مجموعة البيانات 12 من أكثر الأدوات المنزلية شيوعاً: سرير، أريكة، كرسي، طاولة، مصباح، تلفاز، كمبيوتر محمول، خزانة ملابس، نافذة، باب، نبات محفوظ في أصيص، وإطار صورة. تم اختيار هذه الكائنات لتعكس بيئات داخلية واقعية ولدعم مهام متعددة الأغراض مثل التنقل الروبوتي، أو إنشاء المشاهد في تطبيقات AR/VR.

كيف يمكنني تدريب نموذج YOLO باستخدام مجموعة بيانات HomeObjects-3K؟

لتدريب نموذج YOLO مثل YOLO26n، ستحتاج فقط إلى ملف التكوين HomeObjects-3K.yaml وأوزان النموذج المدرب مسبقاً. سواء كنت تستخدم Python أو CLI، يمكن إطلاق التدريب بأمر واحد. يمكنك تخصيص معلمات مثل عدد الحقبات، وحجم الصورة، وحجم الدفعة (batch size) اعتماداً على الأداء المستهدف وإعدادات الأجهزة لديك.

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)

هل مجموعة البيانات هذه مناسبة للمشاريع المبتدئة؟

بالتأكيد. بفضل التصنيف النظيف والتعليقات التوضيحية الموحدة المتوافقة مع YOLO، تعد HomeObjects-3K نقطة دخول ممتازة للطلاب والهواة الذين يرغبون في استكشاف اكتشاف الكائنات في العالم الحقيقي في السيناريوهات الداخلية. كما أنها تتوسع بشكل جيد للتطبيقات الأكثر تعقيداً في البيئات التجارية.

أين يمكنني العثور على تنسيق التعليقات التوضيحية وملف YAML؟

راجع قسم Dataset YAML. التنسيق هو YOLO قياسي، مما يجعله متوافقاً مع معظم خطوط أنابيب اكتشاف الكائنات.