AccueilObjects-3K Dataset#

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.

212 classes769.9 MBSep 2, 2026

bedsofachairtable+8

object-detectionindoorhome-objects+1

Le jeu de données HomeObjects-3K d’Ultralytics est un jeu de données intérieur de détection d’objets composé de 2,689 images (2,285 pour l’entraînement et 404 pour la validation), annotées selon 12 catégories d’objets domestiques courants : lit, canapé, chaise, table, lampe, téléviseur, ordinateur portable, armoire, fenêtre, porte, plante en pot et cadre photo. Conçu pour entraîner et évaluer les performances des modèles de vision par ordinateur, il cible la compréhension des scènes intérieures, les appareils domotiques, la robotique et la réalité augmentée.

Structure du jeu de données#

Le jeu de données HomeObjects-3K est réparti en deux sous-ensembles prédéfinis, définis par la configuration HomeObjects-3K.yaml :

Chaque image est annotée avec des boîtes englobantes au format Ultralytics YOLO, prêtes à être utilisées dans des pipelines de détection d’objets et de suivi.

Classes d’objets#

Le jeu de données couvre 12 catégories d’objets du quotidien, notamment des meubles, des appareils électroniques et des objets décoratifs couramment présents dans les habitations :

Applications#

HomeObjects-3K prend en charge diverses applications de vision par ordinateur en intérieur, pour la recherche et le développement de produits :

• Détection d’objets en intérieur : utilise des modèles comme Ultralytics YOLO26 pour repérer des objets courants tels que des lits, des chaises, des lampes et des ordinateurs portables dans les images, et comprendre en temps réel les scènes intérieures.

• Analyse de l’agencement des scènes : aide les systèmes robotiques et domotiques à comprendre l’agencement des pièces — l’emplacement des portes, des fenêtres et des meubles — afin que les appareils puissent se déplacer en toute sécurité et interagir avec leur environnement.

• Applications de RA : alimente les fonctionnalités de reconnaissance d’objets dans les applications de réalité augmentée. Par exemple, détecte les téléviseurs ou les armoires et affiche des informations ou des effets supplémentaires par-dessus.

• Formation et recherche : fournit aux étudiants et aux chercheurs un jeu de données prêt à l’emploi pour s’exercer à la détection d’objets en intérieur à partir d’exemples du monde réel.

• Inventaire domestique et suivi des biens : détecte et répertorie automatiquement les objets domestiques dans des photos ou des vidéos, ce qui est utile pour gérer ses biens, organiser des espaces ou visualiser des meubles dans l’immobilier.

Pour annoter tes propres images d’intérieur, entraîner des modèles et gérer les versions de tes jeux de données dans ton navigateur, exécute l’ensemble du flux de travail avec Ultralytics Platform.

Fichier YAML du jeu de données#

Le fichier HomeObjects-3K.yaml définit la configuration du jeu de données : les chemins d’accès aux images d’entraînement et de validation, ainsi que la liste des classes d’objets. Il est maintenu dans 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

Utilisation#

Tu peux entraîner un modèle YOLO26n sur le jeu de données HomeObjects-3K pendant 100 époques, avec une taille d’image de 640. Le jeu de données (390 MB) est téléchargé automatiquement lors de sa première utilisation. Les exemples ci-dessous montrent comment commencer. Pour découvrir d’autres options d’entraînement et les paramètres détaillés, consulte le guide Entraînement.

from ultralytics import YOLO

# Charger le modèle préentraîné
model = YOLO("yolo26n.pt")

# Entraîner le modèle sur le jeu de données HomeObjects-3K
model.train(data="HomeObjects-3K.yaml", epochs=100, imgsz=640)

Exemples d’images et annotations#

L’exemple ci-dessous montre une scène intérieure du jeu de données avec ses annotations de boîtes englobantes, qui illustrent les positions, les tailles et les relations spatiales des objets que les modèles apprennent à détecter.

Licence et attribution#

HomeObjects-3K est développé et publié par l’équipe Ultralytics sous la licence AGPL-3.0, qui permet la recherche open source et l’utilisation commerciale avec attribution appropriée.

Si tu utilises ce jeu de données dans tes recherches, cite-le à l’aide des informations indiquées :

@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}
}

FAQ#