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 ca. 3.000 Bildern und 12 verschiedenen Objektklassen ist dieser Datensatz ideal für Forschung und Anwendungen in den Bereichen Indoor-Szenenverständnis, Smart-Home-Geräte, Robotik und Augmented Reality.

Link to this sectionDatensatzstruktur#

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

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

Jedes Bild ist mit Bounding Boxen beschriftet, die dem Ultralytics YOLO Format entsprechen. Die Vielfalt an Innenraumbeleuchtung, Objektgrößen und Ausrichtungen macht ihn robust für reale Einsatzszenarien.

Link to this sectionObjektklassen#

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

Link to this sectionAnwendungen#

HomeObjects-3K ermöglicht ein breites Spektrum an Anwendungen in der Indoor-Computer-Vision, das sowohl Forschung als auch die Entwicklung realer Produkte abdeckt:

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

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

• AR-Anwendungen: Unterstütze Objekterkennungs Funktionen in Apps, die Augmented Reality nutzen. Erkenne beispielsweise TVs oder Kleiderschränke, um zusätzliche Informationen oder Effekte auf ihnen anzuzeigen.

• Bildung und Forschung: Fördere Lern- und akademische Projekte, indem du Studierenden und Forschenden einen sofort einsatzbereiten Datensatz für das Üben der Indoor-Objekterkennung mit realen Beispielen zur Verfügung stellst.

• Heim-Inventarisierung und Asset-Tracking: Erkenne und liste Haushaltsgegenstände automatisch in Fotos oder Videos, was nützlich ist, um Besitztümer zu verwalten, Räume zu organisieren oder Möbel in der Immobilienbranche zu visualisieren.

Link to this sectionDatensatz YAML#

Die Konfiguration für den HomeObjects-3K Datensatz wird über eine YAML-Datei bereitgestellt. Diese Datei enthält wesentliche Informationen wie Bildpfade für Trainings- und Validierungsverzeichnisse sowie die Liste der Objektklassen. Du kannst die HomeObjects-3K.yaml Datei direkt aus dem Ultralytics Repository unter folgendem Link abrufen: 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 auf dem HomeObjects-3K Datensatz für 100 Epochen mit einer Bildgröße von 640 trainieren. Die Beispiele unten zeigen, wie du loslegen kannst. Weitere Trainingsoptionen und detaillierte Einstellungen findest du im Training Handbuch.

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 aus Innenräumen, die eine Vielzahl von Haushaltsgegenständen in natürlichen häuslichen Umgebungen erfassen. Nachfolgend findest du Beispielbilder aus dem Datensatz, jeweils zusammen mit den dazugehörigen Annotationen, 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 mit ordnungsgemäßer Nennung zu unterstützen.

Wenn du diesen Datensatz in deiner Forschung verwendest, zitiere ihn bitte unter Verwendung der angegebenen 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 Verständnis von KI für Innenräume voranzutreiben. Der Fokus liegt auf der Erkennung alltäglicher Haushaltsgegenstände – wie Betten, Sofas, TVs und Lampen –, was ihn ideal für Anwendungen in Smart Homes, Robotik, Augmented Reality und Innenraumüberwachungssystemen macht. Egal, ob du Modelle für Edge-Geräte in Echtzeit trainierst oder akademische Forschung betreibst, dieser Datensatz bietet eine solide Basis.

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 abzubilden 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 vorab trainierten Modellgewichte. Egal, ob du Python oder die CLI verwendest, das Training kann mit einem einzigen Befehl gestartet werden. Du kannst Parameter wie Epochen, Bildgröße und Batch-Größe je nach Leistungsziel und Hardware-Setup 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?#

Auf jeden Fall. Mit sauberer Beschriftung und standardisierten YOLO-kompatiblen Annotationen ist HomeObjects-3K ein hervorragender Einstiegspunkt für Studierende und Hobbyisten, die echte Objekterkennung in Innenraumszenarien erkunden möchten. Er lässt sich zudem gut auf komplexere Anwendungen in kommerziellen Umgebungen skalieren.

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

Siehe den Abschnitt Datensatz YAML. Das Format entspricht dem Standard YOLO, was die Kompatibilität mit den meisten Objekterkennungs-Pipelines sicherstellt.