Dataset HomeObjects-3K

Il dataset HomeObjects-3K è una raccolta curata di immagini di oggetti domestici comuni, progettata per addestrare, testare e effettuare il benchmarking di modelli di visione artificiale. Con ~3.000 immagini e 12 distinte classi di oggetti, questo dataset è ideale per la ricerca e le applicazioni nella comprensione di scene indoor, dispositivi smart home, robotica e realtà aumentata.

Struttura del dataset

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

• Set di addestramento: comprende 2.285 immagini annotate con oggetti come divani, sedie, tavoli, lampade e altro.
• Set di validazione: include 404 immagini annotate destinate alla valutazione delle prestazioni del modello.

Ogni immagine è etichettata utilizzando riquadri di delimitazione allineati al formato Ultralytics YOLO. La diversità di illuminazione interna, scala degli oggetti e orientamenti lo rende robusto per scenari di implementazione nel mondo reale.

Classi di oggetti

Il dataset supporta 12 categorie di oggetti quotidiani, coprendo mobili, elettronica e articoli decorativi. Queste classi sono scelte per riflettere articoli comuni presenti negli ambienti domestici interni e supportano attività di visione come il rilevamento di oggetti e il tracciamento di oggetti.

!!! Tip "Classi 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

Applicazioni

HomeObjects-3K abilita un ampio spettro di applicazioni nella visione artificiale indoor, spaziando sia dalla ricerca allo sviluppo di prodotti reali:

• Rilevamento di oggetti indoor: usa modelli come Ultralytics YOLO26 per trovare e localizzare articoli domestici comuni come letti, sedie, lampade e portatili nelle immagini. Ciò aiuta nella comprensione in tempo reale delle scene interne.

• Analisi del layout della scena: nella robotica e nei sistemi smart home, questo aiuta i dispositivi a capire 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: alimenta funzionalità di riconoscimento oggetti in app che usano la realtà aumentata. Ad esempio, rileva TV o armadi e mostra informazioni o effetti extra su di essi.

• Istruzione e ricerca: supporta l'apprendimento e progetti accademici fornendo a studenti e ricercatori un dataset pronto all'uso per fare pratica con il rilevamento di oggetti indoor 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 le proprietà, organizzare spazi o visualizzare mobili nel settore immobiliare.

YAML del dataset

La configurazione per il dataset HomeObjects-3K è fornita tramite un file YAML. Questo file delinea informazioni essenziali come i percorsi delle immagini per le directory di addestramento e validazione, 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

Utilizzo

Puoi addestrare un modello YOLO26n sul dataset HomeObjects-3K per 100 epoche usando una dimensione immagine di 640. Gli esempi sottostanti mostrano come iniziare. Per ulteriori opzioni di addestramento e impostazioni dettagliate, consulta la guida all'Addestramento.

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)

Immagini campione e annotazioni

Il dataset presenta una ricca raccolta di immagini di scene indoor che catturano un'ampia gamma di oggetti domestici in ambienti naturali. Di seguito sono riportati esempi visivi dal dataset, ciascuno abbinato alle relative annotazioni per illustrare posizioni, scale e relazioni spaziali degli oggetti.

Licenza e attribuzione

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

A cosa è destinato il dataset HomeObjects-3K?

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

Quali categorie di oggetti sono incluse e perché sono state selezionate?

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

Come posso addestrare un modello YOLO usando il dataset HomeObjects-3K?

Per addestrare un modello YOLO come YOLO26n, avrai solo bisogno del file di configurazione HomeObjects-3K.yaml e dei pesi del modello preaddestrato. Che tu stia usando Python o la CLI, l'addestramento può essere avviato con un singolo comando. Puoi personalizzare parametri come epoche, dimensione dell'immagine e dimensione del batch a seconda delle tue prestazioni target 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)

Questo dataset è adatto a progetti per principianti?

Assolutamente. Con un'etichettatura pulita e annotazioni standardizzate compatibili con YOLO, HomeObjects-3K è un eccellente punto di partenza per studenti e hobbisti che vogliono esplorare il rilevamento di oggetti nel mondo reale in scenari indoor. Si adatta bene anche per applicazioni più complesse in ambienti commerciali.

Dove posso trovare il formato di annotazione e lo YAML?

Fai riferimento alla sezione Dataset YAML. Il formato è quello YOLO standard, rendendolo compatibile con la maggior parte delle pipeline di rilevamento oggetti.