Link to this sectionConjunto de datos HomeObjects-3K#

El conjunto de datos HomeObjects-3K es una colección seleccionada de imágenes de objetos domésticos comunes, diseñada para entrenar, probar y realizar benchmarking de modelos de computer vision. Con ~3,000 imágenes y 12 clases de objetos distintas, este conjunto de datos es ideal para la investigación y aplicaciones en la comprensión de escenas interiores, dispositivos domésticos inteligentes, robotics y realidad aumentada.

Link to this sectionEstructura del dataset#

El conjunto de datos HomeObjects-3K está organizado en los siguientes subconjuntos:

• Conjunto de entrenamiento (Training Set): Incluye 2,285 imágenes anotadas con objetos como sofás, sillas, mesas, lámparas y más.
• Conjunto de validación (Validation Set): Incluye 404 imágenes anotadas diseñadas para evaluar el rendimiento del modelo.

Cada imagen está etiquetada utilizando cajas delimitadoras (bounding boxes) alineadas con el formato de Ultralytics YOLO. La diversidad de iluminación interior, escala de objetos y orientaciones lo hace robusto para escenarios de implementación en el mundo real.

Link to this sectionClases de objetos#

El conjunto de datos admite 12 categorías de objetos cotidianos, que cubren muebles, aparatos electrónicos y artículos decorativos. Estas clases se eligen para reflejar elementos comunes encontrados en entornos domésticos interiores y admiten tareas de visión como object detection y object tracking.

Link to this sectionAplicaciones#

HomeObjects-3K permite un amplio espectro de aplicaciones en visión artificial en interiores, que abarca tanto la investigación como el desarrollo de productos en el mundo real:

• Detección de objetos en interiores: Utiliza modelos como Ultralytics YOLO26 para encontrar y localizar artículos domésticos comunes como camas, sillas, lámparas y portátiles en imágenes. Esto ayuda a la comprensión en tiempo real de escenas interiores.

• Análisis de distribución de escenas: En robótica y sistemas domésticos inteligentes, esto ayuda a los dispositivos a entender cómo están organizadas las habitaciones, dónde están objetos como puertas, ventanas y muebles, para que puedan navegar de forma segura e interactuar con su entorno adecuadamente.

• Aplicaciones de RA: Potencia las funciones de object recognition en aplicaciones que utilizan realidad aumentada. Por ejemplo, detecta televisores o armarios y muestra información adicional o efectos sobre ellos.

• Educación e investigación: Apoya el aprendizaje y los proyectos académicos proporcionando a estudiantes e investigadores un conjunto de datos listo para usar para practicar la detección de objetos en interiores con ejemplos del mundo real.

• Inventario doméstico y seguimiento de activos: Detecta y enumera automáticamente los artículos del hogar en fotos o vídeos, útil para gestionar pertenencias, organizar espacios o visualizar muebles en el sector inmobiliario.

Link to this sectionYAML del dataset#

La configuración para el conjunto de datos HomeObjects-3K se proporciona a través de un archivo YAML. Este archivo describe información esencial, como las rutas de las imágenes para los directorios de entrenamiento y validación, y la lista de clases de objetos. Puedes acceder al archivo HomeObjects-3K.yaml directamente desde el repositorio de Ultralytics en: 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 sectionUso#

Puedes entrenar un modelo YOLO26n en el conjunto de datos HomeObjects-3K durante 100 épocas utilizando un tamaño de imagen de 640. Los ejemplos a continuación muestran cómo empezar. Para obtener más opciones de entrenamiento y ajustes detallados, consulta la guía de 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)

Link to this sectionMuestras de imágenes y anotaciones#

El conjunto de datos presenta una rica colección de imágenes de escenas interiores que capturan una amplia gama de objetos domésticos en entornos naturales. A continuación, se muestran ejemplos visuales del conjunto de datos, cada uno emparejado con sus anotaciones correspondientes para ilustrar las posiciones, escalas y relaciones espaciales de los objetos.

Link to this sectionLicencia y atribución#

HomeObjects-3K es desarrollado y publicado por el equipo de Ultralytics bajo la Licencia AGPL-3.0, apoyando la investigación de código abierto y el uso comercial con la atribución adecuada.

Si utilizas este conjunto de datos en tu investigación, cítalo utilizando los detalles mencionados:

@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 section¿Para qué está diseñado el conjunto de datos HomeObjects-3K?#

HomeObjects-3K está diseñado para avanzar en la comprensión de la IA de escenas interiores. Se centra en la detección de artículos domésticos cotidianos, como camas, sofás, televisores y lámparas, lo que lo hace ideal para aplicaciones en hogares inteligentes, robótica, realidad aumentada y sistemas de vigilancia interior. Tanto si estás entrenando modelos para dispositivos perimetrales (edge devices) en tiempo real como para investigación académica, este conjunto de datos proporciona una base equilibrada.

Link to this section¿Qué categorías de objetos se incluyen y por qué se seleccionaron?#

El conjunto de datos incluye 12 de los artículos domésticos más comunes: cama, sofá, silla, mesa, lámpara, televisión, portátil, armario, ventana, puerta, planta en maceta y marco de fotos. Estos objetos fueron elegidos para reflejar entornos interiores realistas y para admitir tareas polivalentes como la navegación robótica o la generación de escenas en aplicaciones de RA/RV.

Link to this section¿Cómo puedo entrenar un modelo YOLO utilizando el conjunto de datos HomeObjects-3K?#

Para entrenar un modelo YOLO como YOLO26n, solo necesitarás el archivo de configuración HomeObjects-3K.yaml y los pesos del modelo preentrenado. Ya sea utilizando Python o la CLI, el entrenamiento se puede iniciar con un solo comando. Puedes personalizar parámetros como las épocas, el tamaño de la imagen y el tamaño del lote (batch size) según tu rendimiento objetivo y configuración de hardware.

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 section¿Es este conjunto de datos adecuado para proyectos de nivel principiante?#

Absolutamente. Con un etiquetado limpio y anotaciones estandarizadas compatibles con YOLO, HomeObjects-3K es un excelente punto de partida para estudiantes y aficionados que deseen explorar la detección de objetos en el mundo real en escenarios interiores. También se adapta bien a aplicaciones más complejas en entornos comerciales.

Link to this section¿Dónde puedo encontrar el formato de anotación y el archivo YAML?#

Consulta la sección Dataset YAML. El formato es YOLO estándar, lo que lo hace compatible con la mayoría de las canalizaciones de detección de objetos.