Link to this sectionConjunto de datos HomeObjects-3K#

El dataset Ultralytics HomeObjects-3K es un dataset de detección de objetos en interiores que consta de 2689 imágenes (2285 de entrenamiento y 404 de validación) etiquetadas en 12 clases domésticas cotidianas: cama, sofá, silla, mesa, lámpara, televisor, portátil, armario, ventana, puerta, planta en maceta y marco de fotos. Creado para entrenar y evaluar comparativamente modelos de visión artificial, se centra en la comprensión de escenas interiores, dispositivos domésticos inteligentes, robótica y realidad aumentada.

Link to this sectionEstructura del dataset#

El dataset HomeObjects-3K está dividido en dos subconjuntos predefinidos, definidos por la configuración HomeObjects-3K.yaml:

Cada imagen está etiquetada con cuadros delimitadores (bounding boxes) en el formato Ultralytics YOLO, listo para canalizaciones de detección de objetos y seguimiento.

Link to this sectionClases 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:

Link to this sectionAplicaciones#

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: utiliza modelos como Ultralytics YOLO26 para encontrar y localizar objetos domésticos comunes como camas, sillas, lámparas y portátiles en imágenes para la comprensión en tiempo real de escenas interiores.

• 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 superpón información adicional o efectos 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 datasets en tu navegador, ejecuta el flujo de trabajo completo con Ultralytics Platform.

Link to this sectionYAML 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

Link to this sectionUso#

Puedes entrenar un modelo YOLO26n en el dataset HomeObjects-3K durante 100 épocas utilizando un tamaño de imagen de 640. El dataset (390 MB) se descarga automáticamente la primera vez que se usa. Los ejemplos siguientes muestran cómo empezar. Para 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)

Link to this sectionMuestras 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.

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 detectar artículos domésticos cotidianos (como camas, sofás, televisores y lámparas) en escenas interiores. Esto lo hace muy adecuado para hogares inteligentes, robótica, realidad aumentada y sistemas de monitorización interior, tanto para despliegue en el borde (edge) en tiempo real como para investigación académica.

Link to this section¿Cuántas imágenes y clases hay en el dataset HomeObjects-3K?#

HomeObjects-3K contiene un total de 2689 imágenes (2285 para entrenamiento y 404 para validación), sin una división de prueba independiente. Cada imagen está etiquetada en 12 clases de objetos: cama, sofá, silla, mesa, lámpara, televisor, portátil, armario, ventana, puerta, planta en maceta y marco de fotos.

Link to this section¿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 fueron elegidos para reflejar entornos interiores realistas y para admitir tareas como la navegación robótica y la comprensión de escenas en aplicaciones de RA/RV.

Link to this section¿Cómo descargo el dataset HomeObjects-3K?#

El dataset (390 MB) se descarga automáticamente la primera vez que entrenas con data="HomeObjects-3K.yaml": no se requiere ningún paso manual. Ultralytics recupera las imágenes y las etiquetas y las descomprime en tu directorio de datasets local. Puedes explorar datasets relacionados en la visión general de datasets de detección.

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

Para entrenar un modelo YOLO como YOLO26n, necesitas el archivo de configuración HomeObjects-3K.yaml y los pesos del modelo preentrenado. El entrenamiento se lanza con un solo comando de Python o CLI, y puedes personalizar parámetros como épocas, tamaño de imagen y tamaño de lote según tu hardware y el rendimiento objetivo.

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?#

Sí. Sus anotaciones estandarizadas en formato YOLO y su tamaño compacto hacen de HomeObjects-3K un excelente punto de partida para estudiantes y aficionados que exploran la detección de objetos del mundo real en escenarios interiores.

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.