Erste Schritte

HomeObjects-3K-Dataset

HomeObjects-3K Dataset In Colab

Der Ultralytics-HomeObjects-3K-Datensatz ist ein Datensatz zur Objekterkennung in Innenräumen. Er umfasst 2.689 Bilder (2.285 für das Training und 404 für die Validierung), die mit 12 alltäglichen Haushaltsklassen beschriftet sind: Bett, Sofa, Stuhl, Tisch, Lampe, Fernseher, Laptop, Kleiderschrank, Fenster, Tür, Topfpflanze und Bilderrahmen. Der Datensatz wurde zum Trainieren und Bewerten von Computer-Vision-Modellen entwickelt und ist auf das Verständnis von Innenraumszenen, Smart-Home-Geräte, Robotik und erweiterte Realität ausgerichtet.



Ansehen: So trainierst du Ultralytics YOLO26 mit dem HomeObjects-3K-Datensatz | Erkennung, Validierung und ONNX-Export 🚀

Datensatzstruktur#

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

AufteilungBilderBeschreibung
Trainieren2,285Innenraumszenen mit annotierten Haushaltsgegenständen
Validierung404Zurückgehaltene Bilder zur Bewertung der Modellleistung

Jedes Bild ist mit Begrenzungsrahmen im Ultralytics-YOLO-Format beschriftet und für Pipelines zur Objekterkennung und zum Tracking bereit.

Objektklassen#

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

Klassen des HomeObjects-3K-Datasets
  1. Bett
  2. Sofa
  3. Stuhl
  4. Tisch
  5. Lampe
  6. Fernseher
  7. Laptop
  8. Kleiderschrank
  9. Fenster
  10. Tür
  11. Topfpflanze
  12. Bilderrahmen

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.

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

  • 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/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

Verwendung#

Du kannst ein YOLO26n-Modell mit Bildgröße 640 100 Epochen lang auf dem HomeObjects-3K-Datensatz trainieren. Der Datensatz (390 MB) wird bei der ersten Verwendung automatisch heruntergeladen. Die folgenden Beispiele zeigen dir, wie du loslegen kannst.

Trainingsbeispiel
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.

Beispiel aus dem HomeObjects-3K-Dataset mit Haushaltsgegenständen

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:

Zitierung
@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#

  • HomeObjects-3K wurde zur Erkennung alltäglicher Haushaltsgegenstände wie Betten, Sofas, Fernseher und Lampen in Innenräumen entwickelt. Damit eignet es sich für Smart Homes, Robotik, erweiterte Realität und Systeme zur Überwachung von Innenräumen – sowohl für Echtzeiteinsätze auf Edge-Geräten als auch für die akademische Forschung.

  • HomeObjects-3K umfasst insgesamt 2.689 Bilder – 2.285 Trainingsbilder und 404 Validierungsbilder – und hat keine separate Testteilmenge. Jedes Bild ist einer von 12 Objektklassen zugeordnet: Bett, Sofa, Stuhl, Tisch, Lampe, Fernseher, Laptop, Kleiderschrank, Fenster, Tür, Topfpflanze und Bilderrahmen.

  • Das Dataset enthält 12 der am häufigsten vorkommenden Haushaltsgegenstände: Bett, Sofa, Stuhl, Tisch, Lampe, Fernseher, Laptop, Kleiderschrank, Fenster, Tür, Topfpflanze und Bilderrahmen. Diese Objekte wurden ausgewählt, um realistische Innenräume abzubilden und Aufgaben wie die Navigation von Robotern und das Verständnis von Szenen in AR/VR-Anwendungen zu unterstützen.

  • Das Dataset (390 MB) wird beim ersten Training mit data="HomeObjects-3K.yaml" automatisch heruntergeladen – ein manueller Schritt ist nicht erforderlich. Ultralytics ruft die Bilder und Labels ab und entpackt sie in dein lokales Dataset-Verzeichnis. Weitere verwandte Datasets findest du in der Übersicht der Erkennungs-Datasets.

  • Um ein YOLO-Modell wie YOLO26n zu trainieren, benötigst du die Konfigurationsdatei HomeObjects-3K.yaml und die Gewichte des vortrainierten Modells. Das Training startest du mit einem einzigen Python- oder CLI-Befehl. Parameter wie Epochenzahl, Bildgröße und Batch-Größe kannst du an die gewünschte Leistung und deine Hardware anpassen.

    Trainingsbeispiel
    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)
  • Ja. Die standardisierten Annotationen im YOLO-Format und die kompakte Größe machen HomeObjects-3K zu einem idealen Einstieg für Studierende und Hobbyanwender, die sich mit der Objekterkennung in Innenräumen anhand von Beispielen aus der realen Welt beschäftigen möchten.

  • Weitere Informationen findest du im Abschnitt Dataset-YAML. Das Standardformat von YOLO ist mit den meisten Pipelines zur Objekterkennung kompatibel.

Kommentare1

Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.

  1. fly2023meGitHub

    I would like to ask how your HomeObjects-3k dataset is synthesized and what software is used. Are its labels automatically generated or manually annotated?