Dataset 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 indoor, dispositivi per la smart home, robotica e realtà aumentata.
Guarda: Come addestrare Ultralytics YOLO11 sul dataset HomeObjects-3K | Rilevamento, convalida ed esportazione ONNX 🚀
Struttura del set di dati
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 convalida: Include 404 immagini annotate designate per la valutazione delle prestazioni del modello.
Ogni immagine è etichettata utilizzando bounding box allineati con il formato Ultralytics YOLO. La diversità dell'illuminazione interna, della scala degli oggetti e degli orientamenti la rende robusta per scenari di implementazione nel mondo reale.
Classi di oggetti
Il dataset supporta 12 categorie di oggetti di uso quotidiano, che coprono mobili, elettronica e oggetti decorativi. Queste classi sono state scelte per riflettere gli oggetti comuni che si trovano negli ambienti domestici interni e supportare attività di visione come il rilevamento di oggetti e il tracciamento di oggetti.
Classi HomeObjects-3K
- letto
- divano
- sedia
- tabella
- lampada
- tv
- laptop
- guardaroba
- finestra
- porta
- pianta in vaso
- cornice per foto
Applicazioni
HomeObjects-3K abilita un ampio spettro di applicazioni nella computer vision per interni, spaziando dalla ricerca allo sviluppo di prodotti reali:
-
Rilevamento di oggetti indoor: Utilizza modelli come Ultralytics YOLO11 per trovare e localizzare oggetti domestici comuni come letti, sedie, lampade e laptop nelle immagini. Questo aiuta con la comprensione in tempo reale delle scene interne.
-
Analisi del layout della scena: Nella robotica e nei sistemi di 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: Potenzia le funzionalità di riconoscimento oggetti nelle app che utilizzano la realtà aumentata. Ad esempio, rileva TV o armadi e mostra informazioni o effetti aggiuntivi su di essi.
-
Istruzione e ricerca: Supporta l'apprendimento e i progetti accademici fornendo a studenti e ricercatori un set di dati pronto all'uso per esercitarsi nel rilevamento di oggetti indoor con esempi reali.
-
Inventario domestico e tracciamento dei beni: Rileva ed elenca automaticamente gli oggetti domestici in foto o video, utile per gestire i propri averi, organizzare gli spazi o visualizzare l'arredamento nel settore immobiliare.
YAML del set di dati
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 convalida e l'elenco delle classi di oggetti.
Puoi accedere al HomeObjects-3K.yaml
file direttamente dal repository Ultralytics all'indirizzo: https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/HomeObjects-3K.yaml
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 YOLO11n sul dataset HomeObjects-3K per 100 epoche usando una dimensione dell'immagine di 640. Gli esempi seguenti mostrano come iniziare. Per ulteriori opzioni di addestramento e impostazioni dettagliate, consulta la guida Addestramento.
Esempio di addestramento
from ultralytics import YOLO
# Load pretrained model
model = YOLO("yolo11n.pt")
# Train the model on HomeObjects-3K dataset
model.train(data="HomeObjects-3K.yaml", epochs=100, imgsz=640)
yolo detect train data=HomeObjects-3K.yaml model=yolo11n.pt epochs=100 imgsz=640
Immagini di esempio e annotazioni
Il dataset presenta una ricca raccolta di immagini di scene interne che catturano un'ampia gamma di oggetti domestici in ambienti domestici naturali. Di seguito sono riportati esempi di elementi visivi del 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 dovuta attribuzione.
Se utilizzi questo set di dati nella tua ricerca, 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/homeobject-3k/},
version = {1.0.0},
year = {2025}
}
FAQ
Per cosa è stato progettato il dataset HomeObjects-3K?
HomeObjects-3K è progettato per far progredire la comprensione dell'IA degli ambienti interni. Si concentra sul rilevamento di oggetti domestici di uso quotidiano, come letti, divani, televisori e lampade, rendendolo ideale per applicazioni in case intelligenti, 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 oggetti domestici più comuni: letto, divano, sedia, tavolo, lampada, TV, laptop, armadio, finestra, porta, pianta in vaso e cornice per foto. Questi oggetti sono stati scelti per riflettere ambienti interni 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 utilizzando il dataset HomeObjects-3K?
Per addestrare un modello YOLO come YOLO11n, avrai bisogno solo del HomeObjects-3K.yaml
file di configurazione e il modello preaddestrato pesi. Che tu stia usando python o la CLI, il training può essere avviato con un singolo comando. Puoi personalizzare parametri come epochs, dimensione dell'immagine e dimensione del batch a seconda delle prestazioni target e della configurazione hardware.
Esempio di addestramento
from ultralytics import YOLO
# Load pretrained model
model = YOLO("yolo11n.pt")
# Train the model on HomeObjects-3K dataset
model.train(data="HomeObjects-3K.yaml", epochs=100, imgsz=640)
yolo detect train data=HomeObjects-3K.yaml model=yolo11n.pt epochs=100 imgsz=640
Questo dataset è adatto a progetti di livello principiante?
Assolutamente. Con un'etichettatura pulita e annotazioni standardizzate compatibili con YOLO, HomeObjects-3K è un eccellente punto di partenza per studenti e hobbisti che desiderano esplorare il rilevamento di oggetti nel mondo reale in scenari indoor. Si adatta bene anche ad applicazioni più complesse in ambienti commerciali.
Dove posso trovare il formato di annotazione e il file YAML?
Fare riferimento alla sezione Dataset YAML. Il formato è YOLO standard, il che lo rende compatibile con la maggior parte delle pipeline di rilevamento oggetti.