HomeObjects-3K-Dataset#

2,686

HomeObjects-3K

ultralytics

publicDetect

HomeObjects-3K is an Ultralytics indoor detection benchmark spanning twelve furniture, appliance, opening, and decor classes. Images cover beds, sofas, chairs, tables, doors, windows, televisions, lamps, and other household objects across varied rooms and viewpoints.

212 classes769.9 MBSep 2, 2026

bedsofachairtable+8

object-detectionindoorhome-objects+1

Das Ultralytics HomeObjects-3K-Dataset ist ein Indoor-Dataset zur Objekterkennung mit 2.689 Bildern (2.285 Trainings- und 404 Validierungsbildern). Die Bilder sind mit 12 alltäglichen Haushaltsklassen annotiert: Bett, Sofa, Stuhl, Tisch, Lampe, Fernseher, Laptop, Kleiderschrank, Fenster, Tür, Topfpflanze und Bilderrahmen. Das Dataset wurde zum Trainieren und Benchmarking von Computer-Vision-Modellen entwickelt. Es eignet sich für das Verständnis von Innenraumszenen, Smart-Home-Geräte, Robotik und erweiterte Realität.

Datensatzstruktur#

Das HomeObjects-3K-Dataset ist in zwei vordefinierte Teilmengen aufgeteilt, die in der Konfiguration HomeObjects-3K.yaml festgelegt sind:

Jedes Bild ist mit Begrenzungsrahmen im Format Ultralytics YOLO annotiert und kann direkt in Pipelines zur Objekterkennung und zum Tracking verwendet werden.

Objektklassen#

Das Dataset umfasst 12 alltägliche Objektkategorien aus den Bereichen Möbel, Elektronik und Dekoration, die häufig in Innenräumen vorkommen:

Anwendungsfälle#

HomeObjects-3K unterstützt zahlreiche Anwendungen der Computer Vision in Innenräumen – in Forschung und Produktentwicklung:

• Objekterkennung in Innenräumen: Verwende Modelle wie Ultralytics YOLO26, um alltägliche Gegenstände wie Betten, Stühle, Lampen und Laptops in Bildern zu erkennen und zu lokalisieren. So lassen sich Innenraumszenen in Echtzeit erfassen.

• Erfassung der Raumaufteilung: Unterstütze Robotik- und Smart-Home-Systeme dabei, die Anordnung von Räumen zu verstehen – also zu erkennen, wo sich Türen, Fenster und Möbel befinden. So können sich Geräte sicher bewegen und mit ihrer Umgebung interagieren.

• AR-Anwendungen: Ermögliche Funktionen zur Objekterkennung in Augmented-Reality-Apps. Erkenne beispielsweise Fernseher oder Kleiderschränke und blende zusätzliche Informationen oder Effekte darüber ein.

• Bildung und Forschung: Stelle Studierenden und Forschenden ein sofort einsatzbereites Dataset zur Verfügung, mit dem sie die Objekterkennung in Innenräumen anhand von Beispielen aus der realen Welt üben können.

• Haushaltsinventar und Objektverfolgung: Erkenne und liste Gegenstände in Fotos oder Videos automatisch auf. Das ist nützlich, um Besitztümer zu verwalten, Räume zu organisieren oder Möbel in Immobilien zu visualisieren.

Führe den gesamten Arbeitsablauf mit der Ultralytics Platform in deinem Browser aus, um eigene Innenraumbilder zu annotieren, Modelle zu trainieren und Dataset-Versionen zu verwalten.

YAML-Datei des Datensatzes#

Die Datei HomeObjects-3K.yaml definiert die Dataset-Konfiguration – die Bildpfade für Training und Validierung 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

Verwendung#

Du kannst ein YOLO26n-Modell 100 Epochen lang mit einer Bildgröße von 640 auf dem HomeObjects-3K-Dataset trainieren. Das Dataset (390 MB) wird beim ersten Verwenden automatisch heruntergeladen. Die folgenden Beispiele zeigen dir die ersten Schritte. Weitere Trainingsoptionen und detaillierte Einstellungen findest du in der Anleitung Training.

from ultralytics import YOLO

# Vortrainiertes Modell laden
model = YOLO("yolo26n.pt")

# Modell mit dem HomeObjects-3K-Dataset trainieren
model.train(data="HomeObjects-3K.yaml", epochs=100, imgsz=640)

Beispielbilder und Annotationen#

Das folgende Beispiel zeigt eine Innenraumszene aus dem Dataset mit den zugehörigen Annotationen der Begrenzungsrahmen. Daran werden die Objektpositionen, Größen und räumlichen Beziehungen sichtbar, die Modelle zu erkennen lernen.

Lizenz und Namensnennung#

HomeObjects-3K wird vom Ultralytics-Team entwickelt und veröffentlicht. Es steht unter der AGPL-3.0-Lizenz, die Open-Source-Forschung und kommerzielle Nutzung mit angemessener Namensnennung ermöglicht.

Wenn du diesen Datensatz in deiner Forschung verwendest, zitiere ihn bitte anhand der folgenden Angaben:

@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}
}

Häufig gestellte Fragen#