Link to this sectionمجموعة بيانات HomeObjects-3K#

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

Link to this sectionهيكل مجموعة البيانات#

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

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

يتم تصنيف كل صورة باستخدام مربعات إحاطة تتوافق مع تنسيق Ultralytics YOLO. إن تنوع الإضاءة الداخلية، ومقياس الكائنات، واتجاهاتها يجعلها قوية للاستخدام في سيناريوهات النشر الواقعية.

Link to this sectionفئات الكائنات#

تدعم مجموعة البيانات 12 فئة من الكائنات اليومية، والتي 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.

Link to this sectionالتطبيقات#

تتيح مجموعة HomeObjects-3K نطاقاً واسعاً 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 موقع الأدوات المنزلية الشائعة مثل الأسرة والكراسي والمصابيح والحواسيب المحمولة في الصور. يساعد هذا في الفهم اللحظي للمشاهد الداخلية.

• تحليل تخطيط المشهد: في أنظمة الروبوتات والمنازل الذكية، يساعد هذا الأجهزة على فهم كيفية ترتيب الغرف، ومواقع الكائنات مثل الأبواب والنوافذ والأثاث، مما يتيح لها التنقل بأمان والتفاعل مع بيئتها بشكل صحيح.

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

• التعليم والأبحاث: دعم التعلم والمشاريع الأكاديمية من خلال تزويد الطلاب والباحثين بمجموعة بيانات جاهزة للاستخدام لممارسة اكتشاف الكائنات الداخلية باستخدام أمثلة من العالم الحقيقي.

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

Link to this sectionملف YAML الخاص بمجموعة 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 الكائنات. 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 حقبة (epoch) 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 وعينات توضيحية#

تتميز مجموعة البيانات بمجموعة غنية من صور المشاهد الداخلية التي تلتقط مجموعة واسعة من الأدوات المنزلية في بيئات منزلية طبيعية. فيما يلي عينات مرئية من مجموعة البيانات، حيث يقترن كل منها بالشروح التوضيحية المقابلة لتوضيح مواقع الكائنات، ومقاييسها، وعلاقاتها المكانية.

Link to this sectionالترخيص والإسناد#

تم تطوير وإصدار HomeObjects-3K بواسطة فريق Ultralytics بموجب ترخيص AGPL-3.0، مما يدعم الأبحاث مفتوحة المصدر والاستخدام التجاري مع الإسناد المناسب.

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}
}

Link to this sectionالأسئلة الشائعة#

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

صُممت 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 للأجهزة الطرفية (edge devices) في الوقت الفعلي أو للأبحاث الأكاديمية، توفر مجموعة البيانات هذه أساساً متوازناً.

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

تتضمن مجموعة البيانات 12 من الأدوات المنزلية الأكثر شيوعاً: سرير، أريكة، كرسي، طاولة، مصباح، تلفاز، حاسوب محمول، خزانة ملابس، نافذة، باب، نبات منزلي، وإطار صورة. تم اختيار هذه الكائنات لتعكس البيئات الداخلية الواقعية ولدعم مهام متعددة الأغراض مثل تنقل الروبوتات، أو إنشاء المشاهد في تطبيقات الواقع المعزز والواقع 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 التكوين HomeObjects-3K.yaml وأوزان النموذج المدرب مسبقاً. سواء كنت تستخدم Python أو CLI، يمكن بدء التدريب بأمر واحد. يمكنك تخصيص معلمات مثل عدد الحقب (epochs)، 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)

Link to this sectionهل هذه المجموعة مناسبة للمشاريع المبتدئة؟#

بالتأكيد. بفضل التصنيف النظيف والشروح التوضيحية المتوافقة مع معيار YOLO، تُعد HomeObjects-3K نقطة انطلاق ممتازة للطلاب والهواة الذين يرغبون في استكشاف اكتشاف الكائنات في العالم الحقيقي ضمن سيناريوهات داخلية. كما أنها تتوسع بشكل جيد للتطبيقات الأكثر تعقيداً في البيئات التجارية.

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

راجع قسم ملف YAML الخاص بمجموعة البيانات. التنسيق هو معيار YOLO، مما يجعله متوافقاً مع معظم مسارات عمل اكتشاف الكائنات.