Ensemble de données HomeObjects-3K
L'ensemble de données HomeObjects-3K est une collection organisée d'images d'objets domestiques courants, conçue pour la formation, les tests et l'évaluation comparative des modèles de vision par ordinateur. Comprenant environ 3 000 images et 12 classes d'objets distinctes, cet ensemble de données est idéal pour la recherche et les applications dans la compréhension des scènes d'intérieur, les appareils domestiques intelligents, la robotique et la réalité augmentée.
Regarder : Comment entraîner Ultralytics YOLO11 sur le jeu de données HomeObjects-3K | Détection, validation et exportation ONNX 🚀
Structure du jeu de données
L'ensemble de données HomeObjects-3K est organisé dans les sous-ensembles suivants:
- Ensemble d'entraînement : Comprend 2 285 images annotées présentant des objets tels que des canapés, des chaises, des tables, des lampes, etc.
- Ensemble de validation : comprend 404 images annotées désignées pour évaluer les performances du modèle.
Chaque image est étiquetée à l'aide de boîtes englobantes alignées sur le format Ultralytics YOLO. La diversité de l'éclairage intérieur, de l'échelle des objets et des orientations la rend robuste pour les scénarios de déploiement réels.
Classes d'objets
L'ensemble de données prend en charge 12 catégories d'objets du quotidien, couvrant les meubles, l'électronique et les objets de décoration. Ces classes sont choisies pour refléter les éléments courants rencontrés dans les environnements domestiques intérieurs et prendre en charge les tâches de vision telles que la détection d'objets et le suivi d'objets.
Classes HomeObjects-3K
- lit
- canapé
- chaise
- table
- lampe
- tv
- ordinateur portable
- garde-robe
- fenêtre
- porte
- plante en pot
- cadre photo
Applications
HomeObjects-3K permet un large éventail d'applications dans la vision artificielle en intérieur, couvrant à la fois la recherche et le développement de produits réels :
-
Détection d'objets en intérieur : Utilisez des modèles tels que Ultralytics YOLO11 pour trouver et localiser des objets domestiques courants comme des lits, des chaises, des lampes et des ordinateurs portables dans les images. Cela facilite la compréhension en temps réel des scènes d'intérieur.
-
Analyse de la disposition des scènes : dans les systèmes de robotique et de domotique, cela aide les appareils à comprendre l’agencement des pièces, l’emplacement des objets tels que les portes, les fenêtres et les meubles, afin qu’ils puissent se déplacer en toute sécurité et interagir correctement avec leur environnement.
-
Applications de RA : Alimentent les fonctionnalités de reconnaissance d’objets dans les applications qui utilisent la réalité augmentée. Par exemple, détectez les téléviseurs ou les armoires et affichez des informations ou des effets supplémentaires sur ceux-ci.
-
Éducation et recherche : Soutenir l'apprentissage et les projets universitaires en donnant aux étudiants et aux chercheurs un ensemble de données prêt à l'emploi pour pratiquer la détection d'objets en intérieur avec des exemples concrets.
-
Inventaire des biens et suivi des actifs : Détectez et listez automatiquement les articles ménagers dans les photos ou les vidéos, ce qui est utile pour gérer les biens, organiser les espaces ou visualiser les meubles dans l'immobilier.
YAML du jeu de données
La configuration du jeu de données HomeObjects-3K est fournie via un fichier YAML. Ce fichier décrit les informations essentielles telles que les chemins d'image pour les répertoires d'entraînement et de validation, ainsi que la liste des classes d'objets. Vous pouvez accéder au HomeObjects-3K.yaml
fichier directement depuis le référentiel Ultralytics à l'adresse : https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/HomeObjects-3K.yaml
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
Utilisation
Vous pouvez entraîner un modèle YOLO11n sur l'ensemble de données HomeObjects-3K pendant 100 epochs en utilisant une taille d'image de 640. Les exemples ci-dessous montrent comment démarrer. Pour plus d'options d'entraînement et de paramètres détaillés, consultez le guide Entraînement.
Exemple d'entraînement
from ultralytics import YOLO
# Load pretrained model
model = YOLO("yolo11n.pt")
# Train the model on HomeObjects-3K dataset
model.train(data="HomeObjects-3K.yaml", epochs=100, imgsz=640)
yolo detect train data=HomeObjects-3K.yaml model=yolo11n.pt epochs=100 imgsz=640
Images et annotations d'exemple
L'ensemble de données présente une riche collection d'images de scènes d'intérieur qui capturent un large éventail d'objets domestiques dans des environnements domestiques naturels. Vous trouverez ci-dessous des exemples de visuels de l'ensemble de données, chacun associé à ses annotations correspondantes pour illustrer les positions, les échelles et les relations spatiales des objets.
Licence et attribution
HomeObjects-3K est développé et publié par l'équipe Ultralytics sous la licence AGPL-3.0, soutenant la recherche open source et l'utilisation commerciale avec une attribution appropriée.
Si vous utilisez cet ensemble de données dans vos recherches, veuillez le citer en utilisant les informations mentionnées :
@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/homeobject-3k/},
version = {1.0.0},
year = {2025}
}
FAQ
À quoi sert l'ensemble de données HomeObjects-3K ?
HomeObjects-3K est conçu pour faire progresser la compréhension de l'IA des scènes d'intérieur. Il se concentre sur la détection d'objets ménagers courants, tels que les lits, les canapés, les téléviseurs et les lampes, ce qui le rend idéal pour les applications dans les maisons intelligentes, la robotique, la réalité augmentée et les systèmes de surveillance intérieure. Que vous entraîniez des modèles pour des appareils périphériques en temps réel ou pour la recherche universitaire, cet ensemble de données fournit une base équilibrée.
Quelles catégories d'objets sont incluses et pourquoi ont-elles été sélectionnées ?
L'ensemble de données comprend 12 des articles ménagers les plus fréquemment rencontrés : lit, canapé, chaise, table, lampe, télévision, 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 les applications AR/VR.
Comment puis-je entraîner un modèle YOLO en utilisant l'ensemble de données HomeObjects-3K ?
Pour entraîner un modèle YOLO comme YOLO11n, vous aurez simplement besoin du HomeObjects-3K.yaml
fichier de configuration et le modèle pré-entraîné poids. Que vous utilisiez python ou la CLI, l'entraînement peut être lancé avec une seule commande. Vous pouvez personnaliser des paramètres tels que les époques, la taille de l'image et la taille du lot en fonction de vos performances cibles et de votre configuration matérielle.
Exemple d'entraînement
from ultralytics import YOLO
# Load pretrained model
model = YOLO("yolo11n.pt")
# Train the model on HomeObjects-3K dataset
model.train(data="HomeObjects-3K.yaml", epochs=100, imgsz=640)
yolo detect train data=HomeObjects-3K.yaml model=yolo11n.pt epochs=100 imgsz=640
Cet ensemble de données convient-il aux projets de niveau débutant ?
Absolument. Avec un étiquetage propre et des annotations standardisées compatibles avec YOLO, HomeObjects-3K est un excellent point de départ pour les étudiants et les amateurs qui souhaitent explorer la détection d'objets du monde réel dans des scénarios d'intérieur. Il s'adapte également bien aux applications plus complexes dans les environnements commerciaux.
Où puis-je trouver le format d'annotation et le YAML ?
Consultez la section YAML du jeu de données. Le format est standard YOLO, ce qui le rend compatible avec la plupart des pipelines de détection d'objets.