Link to this sectionHomeObjects-3K-Datensatz#

Das Ultralytics HomeObjects-3K Dataset ist ein Indoor-Objekterkennungs-Dataset mit 2.689 Bildern (2.285 für das Training und 404 für die Validierung), die in 12 alltägliche Haushaltsklassen unterteilt sind: Bett, Sofa, Stuhl, Tisch, Lampe, TV, Laptop, Kleiderschrank, Fenster, Tür, Topfpflanze und Bilderrahmen. Es wurde für das Training und das Benchmarking von Computer Vision Modellen entwickelt und zielt auf Indoor-Szenenverständnis, Smart-Home-Geräte, Robotik und Augmented Reality ab.

Link to this sectionDatensatzstruktur#

Das HomeObjects-3K Dataset ist in zwei vordefinierte Teilmengen unterteilt, die durch die HomeObjects-3K.yaml Konfiguration definiert sind:

Jedes Bild ist mit Bounding Boxes im Ultralytics YOLO Format beschriftet und bereit für Objekterkennungs- und Tracking- Pipelines.

Link to this sectionObjektklassen#

Das Dataset deckt 12 alltägliche Objektkategorien ab, die Möbel, Elektronik und Dekorationsgegenstände umfassen, die häufig in häuslichen Innenumgebungen vorkommen:

Link to this sectionAnwendungen#

HomeObjects-3K unterstützt eine Reihe von Indoor-Computer-Vision-Anwendungen in Forschung und Produktentwicklung:

• Indoor-Objekterkennung: Nutze Modelle wie Ultralytics YOLO26, um häufige Haushaltsgegenstände wie Betten, Stühle, Lampen und Laptops in Bildern zu finden und zu lokalisieren, um Innenraumszenen in Echtzeit zu verstehen.

• Szenenlayout-Parsing: Hilf Robotik- und Smart-Home-Systemen zu verstehen, wie Räume angeordnet sind – wo sich Türen, Fenster und Möbel befinden –, damit Geräte sicher navigieren und mit ihrer Umgebung interagieren können.

• AR-Anwendungen: Unterstütze Objekterkennungsfunktionen in Augmented-Reality-Apps. Erkenne beispielsweise TVs oder Kleiderschränke und lege zusätzliche Informationen oder Effekte über sie.

• Bildung und Forschung: Biete Studierenden und Forschern ein sofort einsatzbereites Dataset, um Indoor-Objekterkennung mit praxisnahen Beispielen zu üben.

• Inventarverwaltung und Asset-Tracking zu Hause: Erkenne und liste Haushaltsgegenstände in Fotos oder Videos automatisch auf – nützlich für die Verwaltung von Besitztümern, die Organisation von Räumen oder die Visualisierung von Möbeln in Immobilien.

Um deine eigenen Indoor-Bilder zu beschriften, zu trainieren und Dataset-Versionen in deinem Browser zu verwalten, führe den vollständigen Workflow mit der Ultralytics Platform aus.

Link to this sectionDatensatz-YAML#

Die Datei HomeObjects-3K.yaml definiert die Dataset-Konfiguration – die Pfade zu den Trainings- und Validierungsbildern sowie die Liste der Objektklassen. Sie wird im Ultralytics Repository unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/HomeObjects-3K.yaml gepflegt.

# 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 sectionVerwendung#

Du kannst ein YOLO26n Modell auf dem HomeObjects-3K Dataset für 100 Epochen mit einer Bildgröße von 640 trainieren. Das Dataset (390 MB) wird bei der ersten Verwendung automatisch heruntergeladen. Die Beispiele unten zeigen, wie du startest. Für weitere Trainingsoptionen und detaillierte Einstellungen, siehe den Training Leitfaden.

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 sectionBeispielbilder und Annotationen#

Das Beispiel unten zeigt eine Innenraumszene aus dem Dataset mit ihren Bounding-Box-Annotationen, die die Objektpositionen, Skalierungen und räumlichen Beziehungen veranschaulicht, die Modelle zu erkennen lernen.

Link to this sectionLizenz und Attribution#

HomeObjects-3K wurde vom Ultralytics-Team entwickelt und unter der AGPL-3.0-Lizenz veröffentlicht, um Open-Source-Forschung und kommerzielle Nutzung bei angemessener Quellenangabe zu unterstützen.

Wenn du diesen Datensatz in deiner Forschung verwendest, zitiere ihn bitte unter Verwendung der genannten Details:

@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 sectionFAQ#

Link to this sectionWofür ist der HomeObjects-3K-Datensatz konzipiert?#

HomeObjects-3K wurde für die Erkennung alltäglicher Haushaltsgegenstände – wie Betten, Sofas, TVs und Lampen – in Innenraumszenen entwickelt. Dies macht es sehr geeignet für Smart Homes, Robotik, Augmented Reality und Innenraumüberwachungssysteme, sowohl für den Einsatz auf Edge-Geräten in Echtzeit als auch für die akademische Forschung.

Link to this sectionWie viele Bilder und Klassen enthält das HomeObjects-3K Dataset?#

HomeObjects-3K enthält insgesamt 2.689 Bilder – 2.285 für das Training und 404 für die Validierung – ohne separates Test-Set. Jedes Bild ist in 12 Objektklassen beschriftet: Bett, Sofa, Stuhl, Tisch, Lampe, TV, Laptop, Kleiderschrank, Fenster, Tür, Topfpflanze und Bilderrahmen.

Link to this sectionWelche Objektkategorien sind enthalten und warum wurden sie ausgewählt?#

Das Dataset enthält 12 der am häufigsten vorkommenden Haushaltsgegenstände: Bett, Sofa, Stuhl, Tisch, Lampe, TV, Laptop, Kleiderschrank, Fenster, Tür, Topfpflanze und Bilderrahmen. Diese Objekte wurden ausgewählt, um realistische Innenumgebungen widerzuspiegeln und Aufgaben wie Roboternavigation und Szenenverständnis in AR/VR-Anwendungen zu unterstützen.

Link to this sectionWie lade ich das HomeObjects-3K Dataset herunter?#

Das Dataset (390 MB) wird beim ersten Training mit data="HomeObjects-3K.yaml" automatisch heruntergeladen – es ist kein manueller Schritt erforderlich. Ultralytics lädt die Bilder und Labels herunter und entpackt sie in dein lokales Datasets-Verzeichnis. Du kannst verwandte Datasets in der Übersicht der Detektions-Datasets durchsuchen.

Link to this sectionWie kann ich ein YOLO-Modell mit dem HomeObjects-3K-Datensatz trainieren?#

Um ein YOLO Modell wie YOLO26n zu trainieren, benötigst du die HomeObjects-3K.yaml Konfigurationsdatei und die vortrainierten Modellgewichte. Das Training wird mit einem einzigen Python- oder CLI-Befehl gestartet, und du kannst Parameter wie Epochen, Bildgröße und Batch-Größe für deine Ziel-Performance und Hardware anpassen.

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 sectionIst dieser Datensatz für Einsteigerprojekte geeignet?#

Ja. Seine standardisierten Annotationen im YOLO-Format und seine kompakte Größe machen HomeObjects-3K zu einem starken Einstiegspunkt für Studierende und Hobbyisten, die reale Objekterkennung in Indoor-Szenarien erkunden.

Link to this sectionWo finde ich das Annotationsformat und die YAML-Datei?#

Siehe den Abschnitt Dataset YAML. Das Format entspricht dem Standard-YOLO, wodurch es mit den meisten Objekterkennungs-Pipelines kompatibel ist.