Conjunto de datos HomeObjects-3K#

2,686

HomeObjects-3K

ultralytics

publicDetect

Official Ultralytics HomeObjects-3K object detection dataset with 2,686 unique indoor images and 22,275 bounding boxes across 12 household classes. The 2,689-file source release contains three byte-identical image pairs, which Platform deduplicates while retaining the richer annotation variants. Includes 2,283 train and 403 validation images after deduplication.

112 classes769.9 MBAug 21, 2026

bedsofachairtable+8

object-detectionindoorhome-objects+1

El conjunto de datos Ultralytics HomeObjects-3K es un conjunto de datos de detección de objetos en interiores de 2689 imágenes (2285 de entrenamiento y 404 de validación) etiquetadas en 12 clases de artículos domésticos cotidianos: cama, sofá, silla, mesa, lámpara, televisor, portátil, armario, ventana, puerta, planta en maceta y marco de fotos. Diseñado para entrenar y realizar pruebas comparativas en modelos de visión por computador, se centra en la comprensión de escenas de interiores, dispositivos domésticos inteligentes, robótica y realidad aumentada.

Estructura del dataset#

El conjunto de datos HomeObjects-3K se divide en dos subconjuntos predefinidos, definidos por la configuración HomeObjects-3K.yaml:

Cada imagen está etiquetada con cuadros delimitadores en el formato Ultralytics YOLO, listos para flujos de trabajo de detección de objetos y seguimiento.

Clases de objetos#

El dataset cubre 12 categorías de objetos cotidianos que abarcan muebles, electrónica y artículos decorativos que se encuentran comúnmente en entornos domésticos interiores:

Aplicaciones#

HomeObjects-3K admite una gama de aplicaciones de visión artificial en interiores para la investigación y el desarrollo de productos:

• Detección de objetos en interiores: Usa modelos como Ultralytics YOLO26 para encontrar y localizar elementos comunes del hogar, como camas, sillas, lámparas y ordenadores portátiles en imágenes, con el fin de lograr una comprensión en tiempo real de las escenas de interior.

• Análisis de la disposición de la escena: ayuda a los sistemas de robótica y domótica a entender cómo están organizadas las habitaciones (dónde se sitúan puertas, ventanas y muebles) para que los dispositivos puedan navegar de forma segura e interactuar con su entorno.

• Aplicaciones de RA: Potencia las funciones de reconocimiento de objetos en aplicaciones de realidad aumentada. Por ejemplo, detecta televisores o armarios y superpone información o efectos adicionales sobre ellos.

• Educación e investigación: ofrece a estudiantes e investigadores un dataset 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.

Para etiquetar tus propias imágenes de interiores, entrenar y gestionar versiones de conjuntos de datos en tu navegador, ejecuta el flujo de trabajo completo con Ultralytics Platform.

YAML del dataset#

El archivo HomeObjects-3K.yaml define la configuración del conjunto de datos: las rutas de las imágenes de entrenamiento y validación, y la lista de clases de objetos. Se mantiene en 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

Uso#

Puedes entrenar un modelo YOLO26n en el conjunto de datos HomeObjects-3K durante 100 épocas utilizando un tamaño de imagen de 640. El conjunto de datos (390 MB) se descarga automáticamente en el primer uso. Los ejemplos siguientes muestran cómo empezar. Para obtener más opciones de entrenamiento y ajustes detallados, consulta la guía de Entrenamiento.

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)

Muestras de imágenes y anotaciones#

La muestra a continuación muestra una escena interior del dataset con sus anotaciones de cuadro delimitador, ilustrando las posiciones, escalas y relaciones espaciales de los objetos que los modelos aprenden a detectar.

Licencia y atribución#

HomeObjects-3K ha sido desarrollado y lanzado por el equipo de Ultralytics bajo la licencia AGPL-3.0, lo que respalda la investigación de código abierto y el uso comercial con la debida atribución.

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}
}

FAQ#