Link to this sectionDataset HomeObjects-3K#

Il dataset HomeObjects-3K è una raccolta curata di immagini di oggetti domestici comuni, progettata per l'addestramento, il test e il benchmarking di modelli di computer vision. Con circa 3.000 immagini e 12 classi di oggetti distinte, questo dataset è ideale per la ricerca e le applicazioni nella comprensione di scene interne, dispositivi smart home, robotica e realtà aumentata.

Link to this sectionStruttura del dataset#

Il dataset HomeObjects-3K è organizzato nei seguenti sottoinsiemi:

• Training Set: Composto da 2.285 immagini annotate che includono oggetti come divani, sedie, tavoli, lampade e altro ancora.
• Validation Set: Include 404 immagini annotate designate per la valutazione delle prestazioni del modello.

Ogni immagine è etichettata utilizzando bounding box allineati al formato Ultralytics YOLO. La diversità nell'illuminazione degli interni, nella scala degli oggetti e negli orientamenti lo rende robusto per scenari di distribuzione nel mondo reale.

Link to this sectionClassi di oggetti#

Il dataset supporta 12 categorie di oggetti quotidiani, coprendo mobili, elettronica e articoli decorativi. Queste classi sono scelte per riflettere elementi comuni riscontrati negli ambienti domestici interni e supportano attività di visione come object detection e object tracking.

Link to this sectionApplicazioni#

HomeObjects-3K abilita un ampio spettro di applicazioni nella computer vision per interni, spaziando dalla ricerca allo sviluppo di prodotti reali:

• Indoor object detection: Usa modelli come Ultralytics YOLO26 per trovare e localizzare oggetti domestici comuni come letti, sedie, lampade e laptop nelle immagini. Questo aiuta nella comprensione in tempo reale delle scene interne.

• Parsing del layout della scena: Nella robotica e nei sistemi smart home, questo aiuta i dispositivi a comprendere come sono disposte le stanze, dove si trovano oggetti come porte, finestre e mobili, in modo che possano navigare in sicurezza e interagire correttamente con il loro ambiente.

• Applicazioni AR: Potenzia le funzionalità di object recognition nelle app che utilizzano la realtà aumentata. Ad esempio, rileva TV o armadi e mostra informazioni o effetti aggiuntivi su di essi.

• Educazione e ricerca: Supporta l'apprendimento e i progetti accademici fornendo a studenti e ricercatori un dataset pronto all'uso per esercitarsi nell'object detection indoor con esempi del mondo reale.

• Inventario domestico e asset tracking: Rileva ed elenca automaticamente gli oggetti di casa in foto o video, utile per gestire i propri averi, organizzare gli spazi o visualizzare i mobili nel settore immobiliare.

Link to this sectionDataset YAML#

La configurazione per il dataset HomeObjects-3K è fornita tramite un file YAML. Questo file descrive informazioni essenziali come i percorsi delle immagini per le directory di train e validation, e l'elenco delle classi di oggetti. Puoi accedere al file HomeObjects-3K.yaml direttamente dal 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

Link to this sectionUtilizzo#

Puoi addestrare un modello YOLO26n sul dataset HomeObjects-3K per 100 epoche utilizzando una dimensione immagine di 640. Gli esempi qui sotto mostrano come iniziare. Per ulteriori opzioni di addestramento e impostazioni dettagliate, consulta la guida al 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)

Link to this sectionImmagini campione e annotazioni#

Il dataset presenta una ricca collezione di immagini di scene d'interni che catturano una vasta gamma di oggetti domestici in ambienti casalinghi naturali. Di seguito sono riportati esempi visivi dal dataset, ciascuno abbinato alle relative annotazioni per illustrare le posizioni, le scale e le relazioni spaziali degli oggetti.

Link to this sectionLicenza e Attribuzione#

HomeObjects-3K è sviluppato e rilasciato dal team di Ultralytics sotto la Licenza AGPL-3.0, supportando la ricerca open-source e l'uso commerciale con la dovuta 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}
}

Link to this sectionFAQ#

Link to this sectionPer cosa è progettato il dataset HomeObjects-3K?#

HomeObjects-3K è creato per far avanzare la comprensione dell'IA delle scene interne. Si concentra sul rilevamento di oggetti domestici quotidiani (come letti, divani, TV e lampade), rendendolo ideale per applicazioni in smart home, robotica, realtà aumentata e sistemi di monitoraggio interno. Che tu stia addestrando modelli per dispositivi edge in tempo reale o per la ricerca accademica, questo dataset fornisce una base equilibrata.

Link to this sectionQuali categorie di oggetti sono incluse e perché sono state selezionate?#

Il dataset include 12 degli oggetti domestici più comuni: letto, divano, sedia, tavolo, lampada, tv, laptop, armadio, finestra, porta, pianta in vaso e cornice. Questi oggetti sono stati scelti per riflettere ambienti interni realistici e supportare attività multiuso come la navigazione robotica o la generazione di scene in applicazioni AR/VR.

Link to this sectionCome posso addestrare un modello YOLO utilizzando il dataset HomeObjects-3K?#

Per addestrare un modello YOLO come YOLO26n, ti serviranno solo il file di configurazione HomeObjects-3K.yaml e i pesi del modello preaddestrato. Che tu stia utilizzando Python o la CLI, l'addestramento può essere avviato con un singolo comando. Puoi personalizzare parametri come epoche, dimensione immagine e dimensione batch a seconda delle prestazioni desiderate e della configurazione hardware.

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 sectionQuesto dataset è adatto per progetti di livello principiante?#

Assolutamente. Con un'etichettatura pulita e annotazioni standard compatibili con YOLO, HomeObjects-3K è un ottimo punto di partenza per studenti e hobbisti che vogliono esplorare l'object detection nel mondo reale in scenari indoor. È anche facilmente scalabile per applicazioni più complesse in ambienti commerciali.

Link to this sectionDove posso trovare il formato delle annotazioni e il YAML?#

Fai riferimento alla sezione Dataset YAML. Il formato è quello standard YOLO, il che lo rende compatibile con la maggior parte delle pipeline di object detection.