Link to this sectionJeu de données HomeObjects-3K#

Le jeu de données HomeObjects-3K est une collection organisée d'images d'objets ménagers courants, conçue pour l'entraînement, les tests et l'évaluation (benchmarking) de modèles de vision par ordinateur. Avec environ 3 000 images et 12 classes d'objets distinctes, ce jeu de données est idéal pour la recherche et les applications liées à la compréhension de scènes d'intérieur, aux appareils domestiques intelligents, à la robotique et à la réalité augmentée.

Link to this sectionStructure du jeu de données#

Le jeu de données HomeObjects-3K est organisé en sous-ensembles suivants :

• Ensemble d'entraînement : Comprend 2 285 images annotées représentant des objets tels que des canapés, des chaises, des tables, des lampes, et plus encore.
• Ensemble de validation : Inclut 404 images annotées destinées à évaluer les performances du modèle.

Chaque image est étiquetée à l'aide de boîtes englobantes (bounding boxes) alignées sur le format Ultralytics YOLO. La diversité de l'éclairage intérieur, de l'échelle des objets et des orientations le rend robuste pour des scénarios de déploiement dans le monde réel.

Link to this sectionClasses d'objets#

Le jeu de données prend en charge 12 catégories d'objets du quotidien, couvrant le mobilier, l'électronique et les objets décoratifs. Ces classes sont choisies pour refléter les articles courants rencontrés dans les environnements domestiques et pour prendre en charge des tâches de vision telles que la détection d'objets et le suivi d'objets.

Link to this sectionApplications#

HomeObjects-3K permet une vaste gamme d'applications en vision par ordinateur pour l'intérieur, couvrant à la fois la recherche et le développement de produits réels :

• Détection d'objets en intérieur : Utilise des modèles comme Ultralytics YOLO26 pour trouver et localiser des objets ménagers courants tels que des lits, des chaises, des lampes et des ordinateurs portables dans des images. Cela aide à la compréhension en temps réel des scènes d'intérieur.

• Analyse de l'agencement des scènes : En robotique et dans les systèmes de maison intelligente, cela aide les appareils à comprendre comment les pièces sont disposées et où se trouvent les objets comme les portes, les fenêtres et les meubles, afin qu'ils puissent naviguer en toute sécurité et interagir correctement avec leur environnement.

• Applications de RA : Alimente les fonctionnalités de reconnaissance d'objets dans les applications utilisant la réalité augmentée. Par exemple, détecte les téléviseurs ou les armoires pour afficher des informations ou des effets supplémentaires dessus.

• Éducation et recherche : Soutient l'apprentissage et les projets académiques en fournissant aux étudiants et aux chercheurs un jeu de données prêt à l'emploi pour s'exercer à la détection d'objets en intérieur avec des exemples concrets.

• Inventaire domestique et suivi d'actifs : Détecte et liste automatiquement les objets ménagers dans des photos ou des vidéos, utile pour gérer ses biens, organiser des espaces ou visualiser des meubles dans l'immobilier.

Link to this sectionYAML du jeu de données#

La configuration pour le jeu de données HomeObjects-3K est fournie via un fichier YAML. Ce fichier décrit les informations essentielles telles que les chemins d'accès aux images pour les répertoires d'entraînement et de validation, ainsi que la liste des classes d'objets. Tu peux accéder au fichier HomeObjects-3K.yaml directement depuis le dépôt Ultralytics à l'adresse : 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 sectionUtilisation#

Tu peux entraîner un modèle YOLO26n sur le jeu de données HomeObjects-3K pendant 100 époques en utilisant une taille d'image de 640. Les exemples ci-dessous montrent comment démarrer. Pour plus d'options d'entraînement et des paramètres détaillés, consulte le guide d'Entraînement.

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 sectionExemples d'images et annotations#

Le jeu de données propose une riche collection d'images de scènes d'intérieur qui capturent une large gamme d'objets ménagers dans des environnements domestiques naturels. Tu trouveras ci-dessous des visuels d'exemple du jeu de données, chacun couplé à ses annotations correspondantes pour illustrer les positions, les échelles et les relations spatiales des objets.

Link to this sectionLicence et Attribution#

HomeObjects-3K est développé et publié par l'équipe Ultralytics sous la Licence AGPL-3.0, favorisant la recherche open-source et l'utilisation commerciale avec une attribution appropriée.

Si tu utilises ce jeu de données dans tes recherches, merci de le citer en utilisant les détails mentionnés :

@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 sectionÀ quoi est destiné le jeu de données HomeObjects-3K ?#

HomeObjects-3K est conçu pour faire progresser la compréhension par l'IA des scènes d'intérieur. Il se concentre sur la détection d'objets ménagers du quotidien—comme les lits, les canapés, les téléviseurs et les lampes—ce qui le rend idéal pour des applications dans les maisons intelligentes, la robotique, la réalité augmentée et les systèmes de surveillance intérieure. Que tu entraînes des modèles pour des appareils de périphérie (edge devices) en temps réel ou pour la recherche académique, ce jeu de données fournit une base équilibrée.

Link to this sectionQuelles catégories d'objets sont incluses et pourquoi ont-elles été sélectionnées ?#

Le jeu de données inclut 12 des articles ménagers les plus couramment rencontrés : lit, canapé, chaise, table, lampe, téléviseur, ordinateur portable, armoire, fenêtre, porte, plante en pot et cadre photo. Ces objets ont été choisis pour refléter des environnements intérieurs réalistes et pour prendre en charge des tâches polyvalentes telles que la navigation robotique ou la génération de scènes dans des applications RA/VR.

Link to this sectionComment puis-je entraîner un modèle YOLO en utilisant le jeu de données HomeObjects-3K ?#

Pour entraîner un modèle YOLO comme YOLO26n, tu as simplement besoin du fichier de configuration HomeObjects-3K.yaml et des poids du modèle pré-entraîné. Que tu utilises Python ou l'interface CLI, l'entraînement peut être lancé avec une seule commande. Tu peux personnaliser les paramètres tels que les époques, la taille de l'image et la taille des lots (batch size) en fonction de tes performances cibles et de ta configuration matérielle.

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 sectionCe jeu de données est-il adapté aux projets de niveau débutant ?#

Absolument. Avec un étiquetage propre et des annotations standardisées compatibles YOLO, HomeObjects-3K est un excellent point d'entrée pour les étudiants et les amateurs qui souhaitent explorer la détection d'objets dans le monde réel dans des scénarios intérieurs. Il est également évolutif pour des applications plus complexes dans des environnements commerciaux.

Link to this sectionOù puis-je trouver le format d'annotation et le fichier YAML ?#

Consulte la section YAML du jeu de données. Le format est celui de YOLO standard, ce qui le rend compatible avec la plupart des pipelines de détection d'objets.