Dataset 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

Il dataset Ultralytics HomeObjects-3K è un dataset di object detection in ambienti interni con 2.689 immagini (2.285 di training e 404 di validazione) etichettate in 12 classi domestiche comuni: letto, divano, sedia, tavolo, lampada, tv, laptop, armadio, finestra, porta, pianta in vaso e cornice. Progettato per l'addestramento e il benchmarking di modelli di computer vision, è mirato alla comprensione di scene d'interni, dispositivi smart home, robotica e realtà aumentata.

Struttura del dataset#

Il dataset HomeObjects-3K è diviso in due subset predefiniti, definiti dalla configurazione HomeObjects-3K.yaml:

Ciascuna immagine è etichettata con bounding box nel formato Ultralytics YOLO, pronta per pipeline di object detection e tracking.

Classi di oggetti#

Il dataset copre 12 categorie di oggetti quotidiani che spaziano tra mobili, elettronica e articoli decorativi comunemente presenti in ambienti domestici interni:

Applicazioni#

HomeObjects-3K supporta una gamma di applicazioni di computer vision per interni in ambito di ricerca e sviluppo di prodotti:

• Indoor object detection: Usa modelli come Ultralytics YOLO26 per trovare e localizzare elementi domestici comuni come letti, sedie, lampade e laptop nelle immagini per la comprensione in tempo reale di scene d'interni.

• Analisi del layout della scena: aiuta i sistemi di robotica e smart home a capire come sono disposte le stanze — dove si trovano porte, finestre e mobili — affinché i dispositivi possano navigare in sicurezza e interagire con il loro ambiente.

• Applicazioni AR: Alimenta funzionalità di object recognition in app di realtà aumentata. Ad esempio, rileva TV o armadi e sovrapponi informazioni o effetti extra su di essi.

• Istruzione e ricerca: offri a studenti e ricercatori un dataset pronto all'uso per esercitarsi nel rilevamento di oggetti in interni con esempi del mondo reale.

• Inventario domestico e tracciamento delle risorse: Rileva ed elenca automaticamente gli articoli domestici in foto o video, utile per gestire i beni, organizzare gli spazi o visualizzare i mobili nel settore immobiliare.

Per etichettare le tue immagini d'interni, addestrare e gestire le versioni dei dataset nel tuo browser, esegui il flusso di lavoro completo con Ultralytics Platform.

Dataset YAML#

Il file HomeObjects-3K.yaml definisce la configurazione del dataset: i percorsi delle immagini di training e validazione e l'elenco delle classi di oggetti. È mantenuto nel repository Ultralytics su 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

Utilizzo#

Puoi addestrare un modello YOLO26n sul dataset HomeObjects-3K per 100 epoche utilizzando una dimensione d'immagine di 640. Il dataset (390 MB) viene scaricato automaticamente al primo utilizzo. Gli esempi seguenti mostrano come iniziare. Per ulteriori opzioni di training e impostazioni dettagliate, consulta la guida 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)

Esempi di immagini e annotazioni#

L'esempio qui sotto mostra una scena indoor dal dataset con le sue annotazioni di riquadri di delimitazione, illustrando le posizioni, le scale e le relazioni spaziali degli oggetti che i modelli imparano a rilevare.

Licenza e attribuzione#

HomeObjects-3K è sviluppato e rilasciato dal team di Ultralytics sotto la licenza AGPL-3.0, a supporto della ricerca open source e dell'uso commerciale con adeguata attribuzione.

Se utilizzi questo dataset nella tua ricerca, ti preghiamo di citarlo utilizzando i dettagli menzionati:

@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#