Jeu de données HomeObjects-3K#

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.

112 classes769.9 MBSep 2, 2026

bedsofachairtable+8

object-detectionindoorhome-objects+1

Le jeu de données Ultralytics HomeObjects-3K est un jeu de données intérieur de détection d’objets comprenant 2 689 images (2 285 pour l’entraînement et 404 pour la validation), annotées selon 12 classes 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 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 divisé en deux sous-ensembles prédéfinis, définis par la configuration HomeObjects-3K.yaml :

Chaque image est annotée avec des cadres englobants au format Ultralytics YOLO, prête à être utilisée dans des pipelines de détection d’objets et de suivi.

Classes d’objets#

Le jeu de données couvre 12 catégories d’objets courants, réparties entre le mobilier, les appareils électroniques et les éléments décoratifs que l’on trouve généralement dans les environnements domestiques intérieurs :

Applications#

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

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

• Analyse de la disposition des scènes : aide les systèmes robotiques et domotiques à comprendre l’agencement des pièces — où se trouvent les portes, les fenêtres et les 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 des téléviseurs ou des armoires et superpose des informations ou des effets supplémentaires dessus.

• Éducation 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 avec des 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 les biens, organiser les espaces ou visualiser des meubles dans le secteur immobilier.

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

YAML du jeu de données#

Le fichier HomeObjects-3K.yaml définit la configuration du jeu de données — les chemins des 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 Mo) est téléchargé automatiquement lors de la première utilisation. Les exemples ci-dessous montrent comment commencer. Pour découvrir davantage d’options d’entraînement et de paramètres détaillés, consulte le guide 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)

Exemples d’images et d’annotations#

L’exemple ci-dessous montre une scène intérieure du jeu de données avec ses annotations de cadres englobants, illustrant 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, afin de soutenir la recherche open source et l’utilisation commerciale avec une attribution appropriée.

Si tu utilises ce jeu de données dans tes recherches, cite-le en utilisant les 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#