Link to this sectionJeu de données HomeObjects-3K#

Le jeu de données HomeObjects-3K est une collection organisée d'images d'objets domestiques 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 des 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 présentant des objets tels que des canapés, des chaises, des tables, des lampes, et plus encore.
• Ensemble de validation : Comprend 404 images annotées désignées pour évaluer les performances du modèle.

Chaque image est étiquetée à l'aide de boîtes englobantes (bounding boxes) alignées avec 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 en conditions réelles.

Link to this sectionClasses d'objets#

Le jeu 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 objets courants rencontrés dans les environnements domestiques intérieurs et prennent en charge des tâches de vision telles que la détection d'objets et le suivi d'objets.

Link to this sectionApplications#

HomeObjects-3K permet un large éventail d'applications dans la vision par ordinateur en 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 courants de la maison comme des lits, des chaises, des lampes et des ordinateurs portables dans les images. Cela aide à la compréhension en temps réel des scènes intérieures.

• Analyse de la disposition des scènes : En robotique et dans les systèmes de maison intelligente, cela aide les appareils à comprendre comment les pièces sont agencées et où se trouvent des 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 qui utilisent la réalité augmentée. Par exemple, détecte des TV ou des armoires et affiche des informations ou des effets supplémentaires sur celles-ci.

• 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 pratiquer la détection d'objets en intérieur avec des exemples réels.

• 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.

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 directement au fichier HomeObjects-3K.yaml 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 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 intérieures qui capturent une grande variété d'objets domestiques dans des environnements naturels. Tu trouveras ci-dessous des visuels exemples du jeu de données, chacun accompagné de 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 courants — comme les lits, les canapés, les TV 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 en périphérie (edge) 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, tv, 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 auras 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 des paramètres tels que le nombre d'époques, la taille de l'image et la taille des lots (batch size) en fonction de tes objectifs de performance 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 passionnés qui souhaitent explorer la détection d'objets en conditions réelles dans des scénarios intérieurs. Il s'adapte également bien à des applications plus complexes dans des environnements commerciaux.

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

Reporte-toi à la section Dataset YAML. Le format est celui du YOLO standard, ce qui le rend compatible avec la plupart des pipelines de détection d'objets.