Conjunto de datos HomeObjects-3K#

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.

212 classes769.9 MBSep 2, 2026

bedsofachairtable+8

object-detectionindoorhome-objects+1

El conjunto de datos HomeObjects-3K de Ultralytics es un conjunto de datos de detección de objetos en interiores con 2689 imágenes (2285 de entrenamiento y 404 de validación), etiquetadas con 12 clases de objetos domésticos cotidianos: cama, sofá, silla, mesa, lámpara, televisor, portátil, armario, ventana, puerta, planta en maceta y marco de fotos. Se ha creado para entrenar y comparar el rendimiento de modelos de visión artificial y está dirigido a la comprensión de escenas en interiores, los dispositivos para hogares inteligentes, la robótica y la realidad aumentada.

Estructura del conjunto de datos#

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

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

Clases de objetos#

El conjunto de datos incluye 12 categorías de objetos cotidianos, entre muebles, dispositivos electrónicos y artículos decorativos habituales en entornos domésticos interiores:

Aplicaciones#

HomeObjects-3K admite diversas aplicaciones de visión artificial en interiores para investigación y desarrollo de productos:

• Detección de objetos en interiores: Utiliza modelos como Ultralytics YOLO26 para encontrar y localizar objetos domésticos comunes, como camas, sillas, lámparas y portátiles, en imágenes y comprender escenas de interior en tiempo real.

• Análisis de la distribución de escenas: Ayuda a los sistemas robóticos y de hogares inteligentes a comprender la distribución de las habitaciones —dónde están las puertas, las ventanas y los muebles— para que los dispositivos puedan desplazarse de forma segura e interactuar con su entorno.

• Aplicaciones de RA: Integra funciones de reconocimiento de objetos en aplicaciones de realidad aumentada. Por ejemplo, detecta televisores o armarios y superpón información adicional o efectos sobre ellos.

• Educación e investigación: Ofrece a estudiantes e investigadores un conjunto de datos listo para usar con el que practicar la detección de objetos en interiores a partir de ejemplos del mundo real.

• Inventario doméstico y seguimiento de bienes: Detecta y enumera automáticamente objetos domésticos en fotos o vídeos. Esto resulta útil para gestionar pertenencias, organizar espacios o visualizar muebles en inmuebles.

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

YAML del conjunto de datos#

El archivo HomeObjects-3K.yaml define la configuración del conjunto de datos: las rutas a 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 con el conjunto de datos HomeObjects-3K durante 100 épocas con un tamaño de imagen de 640. El conjunto de datos (390 MB) se descarga automáticamente la primera vez que se utiliza. Los siguientes ejemplos muestran cómo empezar. Consulta la guía de entrenamiento para ver más opciones y ajustes detallados.

from ultralytics import YOLO

# Carga el modelo preentrenado
model = YOLO("yolo26n.pt")

# Entrena el modelo con el conjunto de datos HomeObjects-3K
model.train(data="HomeObjects-3K.yaml", epochs=100, imgsz=640)

Imágenes de muestra y anotaciones#

El ejemplo siguiente muestra una escena de interior del conjunto de datos con sus anotaciones de cuadros delimitadores e ilustra las posiciones, los tamaños y las relaciones espaciales de los objetos que los modelos aprenden a detectar.

Licencia y atribución#

HomeObjects-3K ha sido desarrollado y publicado por el equipo de Ultralytics con la licencia AGPL-3.0, que permite la investigación de código abierto y el uso comercial con la atribución correspondiente.

Si utilizas este conjunto de datos en tu investigación, cítalo con los datos indicados:

@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}
}

Preguntas frecuentes#