Dataset HomeObjects-3K

El dataset HomeObjects-3K es una colección seleccionada de imágenes de objetos domésticos comunes, diseñada para entrenar, probar y realizar pruebas comparativas (benchmarking) de modelos de visión artificial. Con ~3.000 imágenes y 12 clases de objetos distintas, este dataset es ideal para investigación y aplicaciones en comprensión de escenas interiores, dispositivos para hogares inteligentes, robótica y realidad aumentada.

Estructura del conjunto de datos

El dataset HomeObjects-3K está organizado en los siguientes subconjuntos:

• Conjunto de entrenamiento: Comprende 2.285 imágenes anotadas que incluyen objetos como sofás, sillas, mesas, lámparas y más.
• Conjunto de validación: Incluye 404 imágenes anotadas designadas para evaluar el rendimiento del modelo.

Cada imagen está etiquetada mediante cuadros delimitadores alineados con el formato de Ultralytics YOLO. La diversidad en la iluminación interior, la escala de los objetos y las orientaciones lo hace robusto para escenarios de despliegue en el mundo real.

Clases de objetos

El dataset admite 12 categorías de objetos cotidianos, que abarcan muebles, electrónica y artículos decorativos. Estas clases se eligen para reflejar elementos comunes encontrados en entornos domésticos interiores y admiten tareas de visión como la detección de objetos y el seguimiento de objetos.

!!! Tip "Clases de HomeObjects-3K"

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

Aplicaciones

HomeObjects-3K permite un amplio espectro de aplicaciones en visión artificial interior, abarcando 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 obtener una comprensión en tiempo real de las escenas interiores.

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

• Aplicaciones de AR: Potencia funciones de reconocimiento de objetos en aplicaciones que utilizan realidad aumentada. Por ejemplo, detecta televisores o armarios y muestra información o efectos adicionales sobre ellos.

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

• Inventario doméstico y seguimiento de activos: Detecta y enumera automáticamente artículos del hogar en fotos o vídeos, lo cual es útil para gestionar pertenencias, organizar espacios o visualizar muebles en bienes raíces.

YAML del conjunto de datos

La configuración para el dataset HomeObjects-3K se proporciona a través de un archivo YAML. Este archivo detalla información esencial como las rutas de las imágenes para los directorios de entrenamiento y validación, así como 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

Uso

Puedes entrenar un modelo YOLO26n en el dataset HomeObjects-3K durante 100 épocas utilizando un tamaño de imagen de 640. Los ejemplos a continuación muestran cómo empezar. Para ver más opciones de entrenamiento y configuraciones detalladas, 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)

Imágenes y anotaciones de muestra

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

Licencia y atribución

HomeObjects-3K ha sido 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, por favor 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}
}

Preguntas frecuentes

¿Para qué está diseñado el dataset HomeObjects-3K?

HomeObjects-3K ha sido creado para avanzar en la comprensión de escenas interiores por parte de la IA. 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 de borde en tiempo real como para investigación académica, este dataset proporciona una base equilibrada.

¿Qué categorías de objetos se incluyen y por qué se seleccionaron?

El dataset incluye 12 de los artículos domésticos más comunes: cama, sofá, silla, mesa, lámpara, televisor, portátil, armario, ventana, puerta, planta en maceta y marco de fotos. Estos objetos se eligieron para reflejar entornos interiores realistas y para admitir tareas multipropósito como la navegación robótica o la generación de escenas en aplicaciones de AR/VR.

¿Cómo puedo entrenar un modelo YOLO usando el dataset 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 que utilices 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 según tu rendimiento objetivo y la 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)

¿Es este dataset 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 escala bien para aplicaciones más complejas en entornos comerciales.

¿Dónde puedo encontrar el formato de anotación y el YAML?

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