Dataset 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.

112 classes769.9 MBSep 2, 2026

bedsofachairtable+8

object-detectionindoorhome-objects+1

El dataset HomeObjects-3K de Ultralytics es un dataset de detección de objetos en interiores compuesto por 2.689 imágenes (2.285 de entrenamiento y 404 de validación) etiquetadas en 12 clases de objetos cotidianos del hogar: cama, sofá, silla, mesa, lámpara, televisor, portátil, armario, ventana, puerta, planta en maceta y marco de fotos. Diseñado para entrenar y evaluar modelos de visión por ordenador, está orientado a la comprensión de escenas interiores, los dispositivos domésticos inteligentes, la robótica y la realidad aumentada.

Estructura del dataset#

El dataset 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 de Ultralytics YOLO, lista para pipelines de detección de objetos y seguimiento.

Clases de objetos#

El dataset abarca 12 categorías de objetos cotidianos de mobiliario, dispositivos electrónicos y elementos decorativos habituales en entornos domésticos interiores:

Aplicaciones#

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

• Detección de objetos en interiores: Usa modelos como Ultralytics YOLO26 para encontrar y localizar objetos habituales del hogar, como camas, sillas, lámparas y portátiles, en imágenes para comprender escenas interiores en tiempo real.

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

• Aplicaciones de RA: Impulsa 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: Proporciona a estudiantes e investigadores un dataset listo para usar con el que practicar la detección de objetos en interiores mediante ejemplos del mundo real.

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

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

YAML del dataset#

El archivo HomeObjects-3K.yaml define la configuración del dataset: 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 con el dataset HomeObjects-3K durante 100 épocas usando un tamaño de imagen de 640. El dataset (390 MB) se descarga automáticamente la primera vez que se utiliza. Los ejemplos siguientes muestran cómo empezar. Para consultar más opciones de entrenamiento y ajustes detallados, revisa 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 de ejemplo y anotaciones#

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

Licencia y atribución#

HomeObjects-3K está desarrollado y publicado por el equipo de Ultralytics bajo la Licencia AGPL-3.0, lo que permite la investigación de código abierto y el uso comercial con la debida atribución.

Si utilizas este dataset en tu investigación, cítalo usando 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#