Link to this sectionJeu de données HomeObjects-3K#

Le jeu de données Ultralytics HomeObjects-3K est un jeu de données de détection d'objets en intérieur composé de 2 689 images (2 285 pour l'entraînement et 404 pour la validation) annotées selon 12 classes ménagères quotidiennes : lit, canapé, chaise, table, lampe, tv, 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 de scènes intérieures, les appareils domestiques intelligents, la robotique et la réalité augmentée.

Link to this sectionStructure 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 boîtes englobantes au format Ultralytics YOLO, prêtes pour des pipelines de détection d'objets et de suivi.

Link to this sectionClasses 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 :

Link to this sectionApplications#

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

• Détection d'objets en intérieur : Utilise des modèles comme Ultralytics YOLO26 pour trouver et localiser des objets courants de la maison tels que des lits, des chaises, des lampes et des ordinateurs portables dans les images pour une compréhension en temps réel des scènes intérieures.

• 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.

• Applications AR : Alimente les fonctionnalités de reconnaissance d'objets dans les applications de réalité augmentée. Par exemple, détecte des TV ou des armoires et superpose des informations ou des effets supplémentaires sur celles-ci.

• 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 annoter tes propres images d'intérieur, entraîner et gérer les versions du jeu de données dans ton navigateur, exécute le workflow complet avec Ultralytics Platform.

Link to this sectionYAML 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

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. Le jeu de données (390 Mo) se télécharge automatiquement lors de la première utilisation. 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#

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.

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 détecter des objets ménagers courants — comme des lits, des canapés, des TV et des lampes — dans des scènes d'intérieur. Cela le rend bien adapté aux maisons intelligentes, à la robotique, à la réalité augmentée et aux systèmes de surveillance intérieure, tant pour un déploiement en périphérie en temps réel que pour la recherche académique.

Link to this sectionCombien d'images et de classes contient le jeu de données HomeObjects-3K ?#

HomeObjects-3K contient 2 689 images au total — 2 285 pour l'entraînement et 404 pour la validation — sans séparation distincte pour les tests. Chaque image est annotée selon 12 classes d'objets : lit, canapé, chaise, table, lampe, tv, ordinateur portable, armoire, fenêtre, porte, plante en pot et cadre photo.

Link to this sectionQuelles catégories d'objets sont incluses et pourquoi ont-elles été sélectionnées ?#

Le jeu de données inclut 12 des objets 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 soutenir des tâches telles que la navigation robotique et la compréhension de scènes dans les applications AR/VR.

Link to this sectionComment télécharger le jeu de données HomeObjects-3K ?#

Le jeu de données (390 Mo) se télécharge automatiquement la première fois que tu l'entraînes avec data="HomeObjects-3K.yaml" — aucune étape manuelle n'est requise. Ultralytics récupère les images et les annotations et les décompresse dans ton répertoire local de jeux de données. Tu peux parcourir les jeux de données associés dans l'aperçu des jeux de données de détection.

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 as besoin du fichier de configuration HomeObjects-3K.yaml et des poids du modèle pré-entraîné. L'entraînement se lance avec une seule commande Python ou CLI, et tu peux personnaliser des paramètres tels que les époques, la taille de l'image et la taille des lots pour tes performances cibles et ton matériel.

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 ?#

Oui. Ses annotations standardisées au format YOLO et sa taille compacte font de HomeObjects-3K un excellent point d'entrée pour les étudiants et les amateurs explorant la détection d'objets réelle dans des scénarios d'intérieur.

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.