Jeu 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 dans la compréhension de scènes d'intérieur, les appareils de maison intelligente, la robotique et la réalité augmentée.

Structure 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 bien plus encore.
• Ensemble de validation : Inclut 404 images annotées désignées pour évaluer les performances du modèle.

Chaque image est étiquetée à l'aide de boîtes englobantes 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 dans le monde réel.

Classes d'objets

Le jeu de données prend en charge 12 catégories d'objets du quotidien, couvrant les meubles, l'électronique et les articles 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.

!!! Tip "Classes HomeObjects-3K"

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

Applications

HomeObjects-3K permet un large éventail d'applications en 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 articles ménagers courants comme des lits, des chaises, des lampes et des ordinateurs portables dans les images. Cela aide à la compréhension en temps réel des scènes d'intérieur.

• Analyse de l'agencement des scènes : En robotique et dans les systèmes de maison intelligente, cela aide les appareils à comprendre comment les pièces sont agencées, où se trouvent les objets comme les portes, les fenêtres et les meubles, afin qu'ils puissent naviguer en toute sécurité et interagir correctement avec leur environnement.

• Applications AR : Alimente les fonctionnalités de reconnaissance d'objets dans les applications qui utilisent la réalité augmentée. Par exemple, détecte des téléviseurs ou des armoires et affiche des informations ou des effets supplémentaires sur ceux-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 s'exercer à la détection d'objets en intérieur avec des exemples réels.

• Inventaire domestique et suivi des biens : Détecte et liste automatiquement les objets de la maison dans des photos ou des vidéos, utile pour gérer les effets personnels, organiser les espaces ou visualiser des meubles dans l'immobilier.

YAML du jeu de données

La configuration du jeu de données HomeObjects-3K est fournie via un fichier YAML. Ce fichier décrit des 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

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. 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)

Exemples d'images et d'annotations

Le jeu de données présente une riche collection d'images de scènes d'intérieur qui capturent une large gamme d'objets ménagers dans des environnements domestiques naturels. Tu trouveras ci-dessous des exemples visuels du jeu de données, chacun accompagné de ses annotations correspondantes pour illustrer les positions, les échelles et les relations spatiales des objets.

Licence 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}
}

FAQ

À quoi est destiné le jeu de données HomeObjects-3K ?

HomeObjects-3K est conçu pour faire progresser la compréhension de l'IA des scènes d'intérieur. Il se concentre sur la détection d'objets domestiques courants — comme des lits, des canapés, des téléviseurs et des lampes — ce qui le rend idéal pour les applications dans les maisons intelligentes, la robotique, la réalité augmentée et les systèmes de surveillance intérieure. Que tu entraînes des modèles pour des appareils de bord en temps réel ou pour la recherche académique, ce jeu de données fournit une base équilibrée.

Quelles catégories d'objets sont incluses et pourquoi ont-elles été sélectionnées ?

Le jeu de données comprend 12 des articles ménagers les plus couramment rencontrés : lit, canapé, chaise, table, lampe, téléviseur, 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 polyvalentes telles que la navigation robotique ou la génération de scènes dans des applications AR/VR.

Comment puis-je entraîner un modèle YOLO en utilisant le jeu de données HomeObjects-3K ?

Pour entraîner un modèle YOLO comme YOLO26n, tu auras juste 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 les paramètres tels que les époques, la taille de l'image et la taille des lots en fonction de tes performances cibles 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)

Ce 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 amateurs qui souhaitent explorer la détection d'objets en conditions réelles dans des scénarios intérieurs. Il évolue également bien pour des applications plus complexes dans des environnements commerciaux.

Où puis-je trouver le format d'annotation et le YAML ?

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