HomeObjects-3K-Datensatz#

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.

112 classes769.9 MBSep 2, 2026

bedsofachairtable+8

object-detectionindoorhome-objects+1

Der Ultralytics-Datensatz HomeObjects-3K ist ein Datensatz zur Objekterkennung in Innenräumen mit 2.689 Bildern (2.285 Trainings- und 404 Validierungsbilder), die in 12 alltäglichen Haushaltsklassen annotiert sind — Bett, Sofa, Stuhl, Tisch, Lampe, Fernseher, Laptop, Kleiderschrank, Fenster, Tür, Topfpflanze und Bilderrahmen. Er wurde für das Training und Benchmarking von Computer-Vision-Modellen entwickelt und zielt auf das Verständnis von Innenraumszenen, Smart-Home-Geräte, Robotik und erweiterte Realität ab.

Datensatzstruktur#

Der HomeObjects-3K-Datensatz ist in zwei vordefinierte Teilmengen aufgeteilt, die durch die Konfiguration HomeObjects-3K.yaml festgelegt werden:

Jedes Bild ist mit Begrenzungsrahmen im Format von Ultralytics YOLO annotiert und damit für Pipelines zur Objekterkennung und zum Tracking bereit.

Objektklassen#

Der Datensatz umfasst 12 alltägliche Objektkategorien aus den Bereichen Möbel, Elektronik und Dekorationsgegenstände, die häufig in häuslichen Innenräumen vorkommen:

Anwendungen#

HomeObjects-3K unterstützt zahlreiche Anwendungen der Computer Vision in Innenräumen, sowohl in der Forschung als auch bei der Produktentwicklung:

• Objekterkennung in Innenräumen: Verwende Modelle wie Ultralytics YOLO26, um alltägliche Haushaltsgegenstände wie Betten, Stühle, Lampen und Laptops in Bildern zu finden und zu lokalisieren und so Innenraumszenen in Echtzeit zu verstehen.

• Analyse der Szenenanordnung: Unterstütze Robotik- und Smart-Home-Systeme dabei, die Anordnung von Räumen zu verstehen — also wo sich Türen, Fenster und Möbel befinden —, damit sich Geräte sicher bewegen und mit ihrer Umgebung interagieren können.

• AR-Anwendungen: Ermögliche Funktionen zur Objekterkennung in Anwendungen für erweiterte Realität. Erkenne beispielsweise Fernseher oder Kleiderschränke und blende zusätzliche Informationen oder Effekte darüber ein.

• Bildung und Forschung: Stelle Studierenden und Forschenden einen sofort einsetzbaren Datensatz zur Verfügung, mit dem sie die Objekterkennung in Innenräumen anhand realer Beispiele üben können.

• Bestandsaufnahme und Objektverfolgung im Haushalt: Erkenne und liste Haushaltsgegenstände automatisch in Fotos oder Videos auf – nützlich für die Verwaltung von Besitztümern, die Organisation von Räumen oder die Visualisierung von Möbeln in Immobilien.

Um eigene Innenraumbilder zu annotieren, Modelle zu trainieren und Datensatzversionen in deinem Browser zu verwalten, führe den gesamten Workflow mit der Ultralytics Platform aus.

Dataset-YAML#

Die Datei HomeObjects-3K.yaml definiert die Datensatzkonfiguration — 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

Verwendung#

Du kannst ein YOLO26n-Modell 100 Epochen lang mit einer Bildgröße von 640 auf dem HomeObjects-3K-Datensatz trainieren. Der Datensatz (390 MB) wird bei der ersten Verwendung automatisch heruntergeladen. Die folgenden Beispiele zeigen, wie du beginnen kannst. Weitere Trainingsoptionen und detaillierte Einstellungen findest du im Leitfaden Training.

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)

Beispielbilder und Annotationen#

Das folgende Beispiel zeigt eine Innenraumszene aus dem Datensatz mit ihren Annotationen der Begrenzungsrahmen und veranschaulicht die Positionen, Größen und räumlichen Beziehungen der Objekte, deren Erkennung die Modelle lernen.

Lizenz und Namensnennung#

HomeObjects-3K wird vom Ultralytics-Team entwickelt und unter der AGPL-3.0-Lizenz veröffentlicht. Der Datensatz unterstützt Open-Source-Forschung und die kommerzielle Nutzung bei ordnungsgemäßer Namensnennung.

Wenn du diesen Datensatz in deiner Forschung verwendest, zitiere ihn bitte anhand der genannten 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}
}

FAQ#