Dataset HomeObjects-3K#

2,686

HomeObjects-3K

ultralytics

publicDetect

HomeObjects-3K is an Ultralytics indoor detection benchmark spanning twelve furniture, appliance, opening, and decor classes. Images cover beds, sofas, chairs, tables, doors, windows, televisions, lamps, and other household objects across varied rooms and viewpoints.

112 classes769.9 MBSep 2, 2026

bedsofachairtable+8

object-detectionindoorhome-objects+1

Il dataset Ultralytics HomeObjects-3K è un dataset per la rilevazione di oggetti in ambienti interni, composto da 2.689 immagini (2.285 per l'addestramento e 404 per la validazione) annotate in 12 classi di oggetti domestici di uso quotidiano: letto, divano, sedia, tavolo, lampada, TV, laptop, armadio, finestra, porta, pianta in vaso e cornice per foto. Progettato per l'addestramento e il benchmarking di modelli di visione artificiale, è rivolto alla comprensione delle scene interne, ai dispositivi per la casa intelligente, alla robotica e alla realtà aumentata.

Struttura del dataset#

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

Ogni immagine è annotata con bounding box nel formato Ultralytics YOLO, pronta per pipeline di rilevazione di oggetti e tracking.

Classi di oggetti#

Il dataset comprende 12 categorie di oggetti di uso quotidiano, tra mobili, dispositivi elettronici e articoli decorativi comunemente presenti negli ambienti domestici interni:

Applicazioni#

HomeObjects-3K supporta un'ampia gamma di applicazioni di visione artificiale per ambienti interni, nella ricerca e nello sviluppo di prodotti:

• Rilevazione di oggetti in ambienti interni: usa modelli come Ultralytics YOLO26 per individuare e localizzare oggetti domestici comuni come letti, sedie, lampade e laptop nelle immagini, così da comprendere in tempo reale le scene interne.

• Parsing della disposizione degli ambienti: aiuta i sistemi di robotica e per la casa intelligente a comprendere come sono organizzate le stanze — dove si trovano porte, finestre e mobili — in modo che i dispositivi possano muoversi in sicurezza e interagire con l'ambiente circostante.

• Applicazioni AR: abilita le funzionalità di riconoscimento degli oggetti nelle app di realtà aumentata. Ad esempio, rileva TV o armadi e sovrapponi informazioni aggiuntive o effetti su di essi.

• Formazione e ricerca: offre a studenti e ricercatori un dataset pronto all'uso per esercitarsi nella rilevazione di oggetti in ambienti interni con esempi del mondo reale.

• Inventario domestico e tracking degli asset: rileva ed elenca automaticamente gli oggetti domestici in foto o video, una funzione utile per gestire i propri beni, organizzare gli spazi o visualizzare i mobili nel settore immobiliare.

Per annotare le tue immagini di ambienti interni, addestrare modelli e gestire le versioni del dataset nel browser, esegui l'intero workflow con Ultralytics Platform.

YAML del dataset#

Il file HomeObjects-3K.yaml definisce la configurazione del dataset, ovvero i percorsi delle immagini di addestramento e validazione e l'elenco delle classi di oggetti. È mantenuto nel repository Ultralytics all'indirizzo 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 delle immagini di 640. Il dataset (390 MB) viene scaricato automaticamente al primo utilizzo. Gli esempi seguenti 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 ed esempi di annotazioni#

L'esempio seguente mostra una scena interna del dataset con le relative annotazioni delle bounding box e illustra le posizioni, le dimensioni e le relazioni spaziali degli oggetti che i modelli imparano a rilevare.

Licenza e attribuzione#

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

Se utilizzi questo dataset nella tua ricerca, citalo usando i dettagli indicati:

@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#