Link to this sectionمجموعة بيانات HomeObjects-3K#

تعد مجموعة بيانات HomeObjects-3K مجموعة منسقة من صور الأغراض المنزلية الشائعة، مصممة للتدريب والاختبار والقياس المرجعي لنماذج رؤية الحاسوب. تحتوي هذه المجموعة على حوالي 3,000 صورة و12 فئة متميزة من الأغراض، وهي مثالية للبحث والتطبيقات في فهم المشاهد الداخلية، وأجهزة المنازل الذكية، والروبوتات، والواقع المعزز.

Link to this sectionهيكل مجموعة البيانات#

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

• مجموعة التدريب: تتكون من 2,285 صورة مشروحة تضم أغراضاً مثل الأرائك والكراسي والطاولات والمصابيح وغيرها.
• مجموعة التحقق: تتضمن 404 صور مشروحة مخصصة لتقييم أداء النموذج.

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

Link to this sectionفئات الأغراض#

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

Link to this sectionالتطبيقات#

تتيح HomeObjects-3K مجموعة واسعة من التطبيقات في رؤية الحاسوب الداخلية، والتي تمتد عبر كل من البحث وتطوير المنتجات في العالم الحقيقي:

• اكتشاف الأغراض الداخلية: استخدم نماذج مثل Ultralytics YOLO26 للعثور على الأغراض المنزلية الشائعة مثل الأسرة والكراسي والمصابيح والحواسيب المحمولة وتحديد موقعها في الصور. يساعد هذا في الفهم الفوري للمشاهد الداخلية.

• تحليل تخطيط المشهد: في أنظمة الروبوتات والمنازل الذكية، يساعد هذا الأجهزة على فهم كيفية ترتيب الغرف، وأماكن وجود أغراض مثل الأبواب والنوافذ والأثاث، بحيث يمكنها التنقل بأمان والتفاعل مع بيئتها بشكل صحيح.

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

• التعليم والبحث: دعم التعلم والمشاريع الأكاديمية من خلال منح الطلاب والباحثين مجموعة بيانات جاهزة للاستخدام لممارسة اكتشاف الأغراض الداخلية بأمثلة 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.

Link to this sectionYAML مجموعة البيانات#

يتم توفير تكوين مجموعة بيانات HomeObjects-3K من خلال ملف YAML. يحدد هذا الملف المعلومات الأساسية مثل مسارات الصور لأدلة التدريب والتحقق، وقائمة فئات الأغراض. يمكنك الوصول إلى ملف HomeObjects-3K.yaml مباشرة من 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 دورة تدريبية 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)

Link to this sectionصور وشروحات توضيحية عينة#

تتميز مجموعة البيانات بمجموعة غنية من صور المشاهد الداخلية التي تلتقط نطاقاً واسعاً من الأغراض المنزلية في البيئات المنزلية الطبيعية. فيما يلي نماذج مرئية من مجموعة البيانات، كل منها مقترن بالشروحات المقابلة لها لتوضيح مواقع الأغراض ومقاييسها وعلاقاتها المكانية.

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؟#

تم تصميم HomeObjects-3K لتعزيز فهم الذكاء الاصطناعي للمشاهد الداخلية. وهي تركز على اكتشاف الأغراض 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 للأجهزة الطرفية (Edge) في الوقت الفعلي أو للبحث الأكاديمي، توفر مجموعة البيانات هذه أساساً متوازناً.

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

تتضمن مجموعة البيانات 12 من الأغراض المنزلية الأكثر شيوعاً: سرير، أريكة، كرسي، طاولة، مصباح، تلفاز، حاسوب محمول، خزانة ملابس، نافذة، باب، نبات منزلي، وإطار صورة. تم اختيار هذه الأغراض لتعكس البيئات الداخلية الواقعية ودعم مهام متعددة الأغراض مثل تنقل الروبوتات، أو توليد المشاهد في تطبيقات الواقع المعزز/الافتراضي (AR/VR).

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

لتدريب نموذج YOLO مثل YOLO26n، ستحتاج فقط إلى ملف تكوين HomeObjects-3K.yaml وأوزان النموذج المدرب مسبقاً. سواء كنت تستخدم Python أو واجهة سطر الأوامر (CLI)، يمكن بدء التدريب بأمر واحد. يمكنك تخصيص المعلمات مثل الدورات التدريبية، وحجم الصورة، وحجم الدفعة 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)

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

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

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.