Link to this sectionHomeObjects-3K-Datensatz#

Der HomeObjects-3K-Datensatz ist eine kuratierte Sammlung von Bildern alltäglicher Haushaltsgegenstände, die für das Training, das Testen und das Benchmarking von Computer Vision-Modellen entwickelt wurde. Mit ~3.000 Bildern und 12 verschiedenen Objektklassen ist dieser Datensatz ideal für die Forschung und Anwendungen in den Bereichen Innenraumverständnis, Smart-Home-Geräte, Robotik und Augmented Reality.

Link to this sectionDatensatzstruktur#

Der HomeObjects-3K-Datensatz ist in die folgenden Teilmengen gegliedert:

• Trainingsdatensatz: Umfasst 2.285 annotierte Bilder mit Objekten wie Sofas, Stühlen, Tischen, Lampen und mehr.
• Validierungsdatensatz: Enthält 404 annotierte Bilder, die zur Bewertung der Modellleistung vorgesehen sind.

Jedes Bild ist mit Bounding Boxen beschriftet, die dem Ultralytics YOLO-Format entsprechen. Die Vielfalt der Innenraumbeleuchtung, Objektgröße und Ausrichtung macht ihn robust für den Einsatz in realen Szenarien.

Link to this sectionObjektklassen#

Der Datensatz unterstützt 12 alltägliche Objektkategorien, die Möbel, Elektronik und Dekorationsartikel abdecken. Diese Klassen wurden ausgewählt, um übliche Gegenstände in häuslichen Innenräumen widerzuspiegeln und Vision-Aufgaben wie Objekterkennung und Objektverfolgung zu unterstützen.

Link to this sectionAnwendungen#

HomeObjects-3K ermöglicht ein breites Spektrum an Anwendungen im Bereich Computer Vision für Innenräume, das sowohl die Forschung als auch die reale Produktentwicklung umfasst:

• Objekterkennung in Innenräumen: Nutze Modelle wie Ultralytics YOLO26, um gängige Haushaltsgegenstände wie Betten, Stühle, Lampen und Laptops in Bildern zu finden und zu lokalisieren. Dies hilft beim Echtzeit-Verständnis von Innenräumen.

• Raumlayout-Analyse: In der Robotik und in Smart-Home-Systemen hilft dies Geräten zu verstehen, wie Räume angeordnet sind und wo sich Gegenstände wie Türen, Fenster und Möbel befinden, damit sie sicher navigieren und korrekt mit ihrer Umgebung interagieren können.

• AR-Anwendungen: Unterstütze Objekterkennungsfunktionen in Apps, die Augmented Reality nutzen. Erkenne beispielsweise Fernseher oder Kleiderschränke und zeige zusätzliche Informationen oder Effekte auf ihnen an.

• Bildung und Forschung: Unterstütze Lern- und akademische Projekte, indem du Studenten und Forschern einen sofort einsatzbereiten Datensatz zur Verfügung stellst, mit dem sie Objekterkennung in Innenräumen anhand von Beispielen aus der Praxis üben können.

• 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.

Link to this sectionDatensatz-YAML#

Die Konfiguration für den HomeObjects-3K-Datensatz wird über eine YAML-Datei bereitgestellt. Diese Datei enthält wichtige Informationen wie Bildpfade für Trainings- und Validierungsverzeichnisse sowie die Liste der Objektklassen. Du kannst die HomeObjects-3K.yaml-Datei direkt aus dem Ultralytics-Repository abrufen unter: 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 sectionVerwendung#

Du kannst ein YOLO26n-Modell für 100 Epochen mit einer Bildgröße von 640 auf dem HomeObjects-3K-Datensatz trainieren. Die folgenden Beispiele zeigen dir den Einstieg. Weitere Trainingsoptionen und detaillierte Einstellungen findest du im 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#

Der Datensatz bietet eine reichhaltige Sammlung von Bildern von Innenräumen, die eine große Bandbreite an Haushaltsgegenständen in natürlichen Wohnumgebungen einfangen. Unten findest du Beispielbilder aus dem Datensatz, die jeweils mit den entsprechenden Annotationen versehen sind, um Objektpositionen, Skalierungen und räumliche Beziehungen zu veranschaulichen.

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 entwickelt, um das KI-Verständnis von Innenräumen voranzutreiben. Er konzentriert sich auf die Erkennung alltäglicher Haushaltsgegenstände – wie Betten, Sofas, Fernseher und Lampen – und ist damit ideal für Anwendungen in Smart Homes, Robotik, Augmented Reality und Innenraumüberwachungssystemen. Egal, ob du Modelle für Echtzeit-Edge-Geräte trainierst oder akademische Forschung betreibst, dieser Datensatz bietet eine ausgewogene Grundlage.

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

Der Datensatz 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 Mehrzweckaufgaben wie Roboter-Navigation oder Szenengenerierung in AR/VR-Anwendungen zu unterstützen.

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 lediglich die HomeObjects-3K.yaml-Konfigurationsdatei und die Gewichte des vorab trainierten Modells. Egal, ob du Python oder das CLI verwendest, das Training kann mit einem einzigen Befehl gestartet werden. Du kannst Parameter wie Epochen, Bildgröße und Batch-Größe je nach deiner Ziel-Performance und Hardwarekonfiguration 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?#

Absolut. Mit sauberer Kennzeichnung und standardisierten YOLO-kompatiblen Annotationen ist HomeObjects-3K ein hervorragender Einstiegspunkt für Studenten und Hobbyisten, die echte Objekterkennung in Innenräumen erforschen möchten. Er lässt sich zudem gut für komplexere Anwendungen in kommerziellen Umgebungen skalieren.

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.