Link to this sectionConjunto de datos HomeObjects-3K#

El conjunto de datos HomeObjects-3K es una colección curada de imágenes de objetos domésticos comunes, diseñada para el entrenamiento, la prueba y la evaluación comparativa de modelos de visión artificial. Con ~3.000 imágenes y 12 clases de objetos distintas, este conjunto de datos es ideal para la investigación y las aplicaciones en la comprensión de escenas interiores, dispositivos domésticos inteligentes, robótica y realidad aumentada.

Link to this sectionEstructura del conjunto de datos#

El conjunto de datos HomeObjects-3K se organiza en los siguientes subconjuntos:

• Conjunto de entrenamiento: Comprende 2.285 imágenes anotadas que presentan 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 utilizando cajas delimitadoras alineadas con el formato de Ultralytics YOLO. La diversidad de la iluminación interior, la escala de los objetos y las orientaciones lo hace robusto para escenarios de despliegue en el mundo real.

Link to this sectionClases de objetos#

El conjunto de datos admite 12 categorías de objetos cotidianos, que cubren muebles, aparatos electrónicos 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.

Link to this sectionAplicaciones#

HomeObjects-3K permite un amplio espectro de aplicaciones en la visión artificial en interiores, 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 la comprensión en tiempo real de escenas interiores.

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

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

• Educación e investigación: Apoya el aprendizaje y los proyectos académicos proporcionando a estudiantes e investigadores un conjunto de datos 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 artículos del hogar en fotos o vídeos, útil para gestionar pertenencias, organizar espacios o visualizar muebles en el sector inmobiliario.

Link to this sectionYAML del conjunto de datos#

La configuración del conjunto de datos HomeObjects-3K se proporciona a través de un archivo YAML. Este archivo describe información esencial como las rutas de las imágenes para los directorios de entrenamiento y validación, y 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

Link to this sectionUso#

Puedes entrenar un modelo YOLO26n en el conjunto de datos HomeObjects-3K durante 100 épocas utilizando un tamaño de imagen de 640. Los ejemplos a continuación muestran cómo empezar. Para obtener 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)

Link to this sectionImágenes y anotaciones de muestra#

El conjunto de datos presenta una rica colección de imágenes de escenas interiores que capturan una amplia gama de objetos domésticos en entornos hogareños naturales. A continuación se muestran visualizaciones de muestra del conjunto de datos, cada una combinada con sus correspondientes anotaciones para ilustrar las posiciones, escalas y relaciones espaciales de los objetos.

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, 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}
}

Link to this sectionPreguntas frecuentes#

Link to this section¿Para qué está diseñado el conjunto de datos HomeObjects-3K?#

HomeObjects-3K está diseñado para avanzar en la comprensión de la IA de escenas interiores. Se centra en la detección de artículos domésticos cotidianos (como camas, sofás, TVs y lámparas), lo que lo hace ideal para aplicaciones en hogares inteligentes, robótica, realidad aumentada y sistemas de monitoreo interior. Tanto si estás entrenando modelos para dispositivos de borde en tiempo real como para investigación académica, este conjunto de datos proporciona una base equilibrada.

Link to this section¿Qué categorías de objetos se incluyen y por qué fueron seleccionadas?#

El conjunto de datos incluye 12 de los artículos domésticos más comunes: cama, sofá, silla, mesa, lámpara, tv, 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.

Link to this section¿Cómo puedo entrenar un modelo YOLO utilizando el conjunto de datos 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 dependiendo de tu rendimiento objetivo y 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)

Link to this section¿Es este conjunto de datos 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 se escala bien para aplicaciones más complejas en entornos comerciales.

Link to this section¿Dónde puedo encontrar el formato de anotación y el YAML?#

Consulta la sección YAML del conjunto de datos. El formato es YOLO estándar, lo que lo hace compatible con la mayoría de las canalizaciones de detección de objetos.