Jeu de données HomeObjects-3K#

2,686

HomeObjects-3K

ultralytics

publicDetect

Official Ultralytics HomeObjects-3K object detection dataset with 2,686 unique indoor images and 22,275 bounding boxes across 12 household classes. The 2,689-file source release contains three byte-identical image pairs, which Platform deduplicates while retaining the richer annotation variants. Includes 2,283 train and 403 validation images after deduplication.

112 classes769.9 MBAug 21, 2026

bedsofachairtable+8

object-detectionindoorhome-objects+1

Le jeu de données Ultralytics HomeObjects-3K est un jeu de données d'object detection d'intérieur contenant 2 689 images (2 285 pour l'entraînement et 404 pour la validation) étiquetées sur 12 classes d'objets ménagers de la vie quotidienne — lit, canapé, chaise, table, lampe, tv, ordinateur portable, armoire, fenêtre, porte, plante en pot et cadre photo. Conçu pour l'entraînement et l'benchmarking de modèles de computer vision, il cible la compréhension de scènes d'intérieur, les appareils de maison intelligente, la robotics 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 étiquetée avec des boîtes englobantes au format Ultralytics YOLO, prêtes pour les pipelines d'object detection et de tracking.

Classes d'objets#

Le jeu de données couvre 12 catégories d'objets du quotidien incluant des meubles, des appareils électroniques et des objets décoratifs couramment présents dans les environnements domestiques intérieurs :

Applications#

HomeObjects-3K prend en charge une gamme d'applications de vision par ordinateur en intérieur, allant de la recherche au développement de produits :

• Indoor object detection : Utilise des modèles tels que Ultralytics YOLO26 pour trouver et localiser des articles ménagers courants comme des lits, des chaises, des lampes et des ordinateurs portables dans les images pour une compréhension en temps réel des scènes d'intérieur.

• Analyse de la disposition des scènes : Aide la robotique et les systèmes de maison intelligente à comprendre comment les pièces sont agencées — où se trouvent les portes, les fenêtres et les meubles — afin que les appareils puissent naviguer en toute sécurité et interagir avec leur environnement.

• AR applications : Alimente les fonctionnalités d'object recognition 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 d'actifs : Détecte et liste automatiquement les objets de la maison sur des photos ou des vidéos, utile pour gérer ses biens, organiser des espaces ou visualiser des meubles dans l'immobilier.

Pour étiqueter tes propres images d'intérieur, entraîner et gérer les versions de jeux de données dans ton navigateur, exécute le flux de travail complet 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 sur 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 en utilisant une taille d'image de 640. Le jeu de données (390 Mo) se télécharge automatiquement lors de sa première utilisation. Les exemples ci-dessous montrent comment démarrer. Pour plus d'options d'entraînement et de paramètres détaillés, consulte le guide Training.

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 annotations#

L'exemple ci-dessous montre une scène d'intérieur du jeu de données avec ses annotations de boîtes englobantes, illustrant les positions, les échelles et les relations spatiales des objets que les modèles apprennent à détecter.

Licence et attribution#

HomeObjects-3K est développé et publié par l'Ultralytics team sous la AGPL-3.0 License, prenant en charge la recherche open-source et l'utilisation commerciale avec l'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}
}

FAQ#