HomeObjects-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 eignet sich dieser Datensatz ideal für Forschung und Anwendungen in den Bereichen Innenraumverständnis, Smart-Home-Geräte, Robotik und Augmented Reality.

Datensatzstruktur

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, die zur Bewertung der Modellleistung dienen.

Jedes Bild ist mit Begrenzungsrahmen (Bounding Boxes) annotiert, die dem Ultralytics YOLO-Format entsprechen. Die Vielfalt an Innenraumbeleuchtung, Objektgrößen und Orientierungen macht ihn robust für reale Einsatzszenarien.

Objektklassen

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

!!! Tip "HomeObjects-3K-Klassen"

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

Anwendungen

HomeObjects-3K ermöglicht ein breites Spektrum an Anwendungen in der Indoor-Computer-Vision, die sowohl Forschung als auch reale Produktentwicklung umfassen:

• Indoor-Objekterkennung: Verwende Modelle wie Ultralytics YOLO26, um gängige Haushaltsgegenstände wie Betten, Stühle, Lampen und Laptops in Bildern zu finden und zu lokalisieren. Dies unterstützt das 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 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 verwenden. Erkenne zum Beispiel 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 für das Üben der Indoor-Objekterkennung mit realen Beispielen zur Verfügung stellst.

• Heim-Inventar und Asset-Tracking: Erkenne und liste Haushaltsgegenstände in Fotos oder Videos automatisch auf, was nützlich für die Verwaltung von Besitztümern, die Organisation von Räumen oder die Visualisierung von Möbeln in Immobilien ist.

Datensatz-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 auf die HomeObjects-3K.yaml-Datei direkt über das Ultralytics-Repository zugreifen 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

Verwendung

Du kannst ein YOLO26n-Modell auf dem HomeObjects-3K-Datensatz für 100 Epochen mit einer Bildgröße von 640 trainieren. Die folgenden Beispiele zeigen dir, wie du startest. Für weitere Trainingsoptionen und detaillierte Einstellungen sieh dir den Trainings-Leitfaden an.

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

Der Datensatz bietet eine reichhaltige Sammlung von Innenraumbildern, die eine große Bandbreite an Haushaltsgegenständen in natürlichen Wohnumgebungen erfassen. Nachfolgend findest du Beispielbilder aus dem Datensatz, von denen jedes mit den entsprechenden Annotationen versehen ist, um Objektpositionen, Skalierungen und räumliche Beziehungen zu veranschaulichen.

Lizenz und Quellenangabe

HomeObjects-3K wurde vom Ultralytics-Team unter der AGPL-3.0-Lizenz entwickelt und veröffentlicht, um Open-Source-Forschung und kommerzielle Nutzung bei ordnungsgemäßer Namensnennung 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}
}

FAQ

Wofür wurde der HomeObjects-3K-Datensatz entwickelt?

HomeObjects-3K wurde entwickelt, um das KI-Verständnis von Innenräumen zu verbessern. Er konzentriert sich auf die Erkennung alltäglicher Haushaltsgegenstände – wie Betten, Sofas, Fernseher und Lampen –, was ihn ideal für Anwendungen in Smart Homes, der Robotik, Augmented Reality und Innenraumüberwachungssystemen macht. Egal, ob du Modelle für Echtzeit-Edge-Geräte trainierst oder akademische Forschung betreibst, dieser Datensatz bietet eine ausgewogene Grundlage.

Welche Objektkategorien sind enthalten und warum wurden sie ausgewählt?

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

Wie 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 die CLI verwendest, das Training kann mit einem einzigen Befehl gestartet werden. Du kannst Parameter wie Epochen, Bildgröße und Batch-Größe je nach gewünschter Leistung 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)

Ist dieser Datensatz für Einsteigerprojekte geeignet?

Absolut. Mit sauberer Etikettierung und standardisierten YOLO-kompatiblen Annotationen ist HomeObjects-3K ein hervorragender Einstiegspunkt für Studenten und Hobbyisten, die reale Objekterkennung in Innenraumszenarien erkunden möchten. Er skaliert zudem gut für komplexere Anwendungen in kommerziellen Umgebungen.

Wo finde ich das Annotationsformat und die YAML?

Beziehe dich auf den Abschnitt Dataset YAML. Das Format ist Standard-YOLO, wodurch es mit den meisten Objekterkennungs-Pipelines kompatibel ist.