Link to this sectionDataset HomeObjects-3K#

Il dataset Ultralytics HomeObjects-3K è un dataset per il rilevamento di oggetti in interni composto da 2.689 immagini (2.285 di addestramento e 404 di convalida) etichettate in 12 classi domestiche quotidiane: letto, divano, sedia, tavolo, lampada, TV, portatile, armadio, finestra, porta, pianta in vaso e cornice. Creato per l'addestramento e il benchmarking di modelli di computer vision, è pensato per la comprensione di scene indoor, dispositivi smart home, robotica e realtà aumentata.

Link to this sectionStruttura del dataset#

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

Ogni immagine è etichettata con riquadri di delimitazione nel formato Ultralytics YOLO, pronto per pipeline di rilevamento di oggetti e tracciamento.

Link to this sectionClassi di oggetti#

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

Link to this sectionApplicazioni#

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

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

• 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: potenzia le funzionalità di riconoscimento di oggetti nelle app di realtà aumentata. Ad esempio, rileva TV o armadi e sovrapponi informazioni o effetti aggiuntivi 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 di interni, addestrare e gestire le versioni del dataset nel tuo browser, esegui l'intero flusso di lavoro con Ultralytics Platform.

Link to this sectionDataset YAML#

Il file HomeObjects-3K.yaml definisce la configurazione del dataset: i percorsi delle immagini di addestramento e convalida 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

Link to this sectionUtilizzo#

Puoi addestrare un modello YOLO26n sul dataset HomeObjects-3K per 100 epoche usando una dimensione dell'immagine di 640. Il dataset (390 MB) si scarica automaticamente al primo utilizzo. Gli esempi qui sotto mostrano come iniziare. Per ulteriori opzioni di addestramento e impostazioni dettagliate, controlla 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)

Link to this sectionEsempi 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.

Link to this sectionLicenza 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}
}

Link to this sectionFAQ#

Link to this sectionA cosa serve il dataset HomeObjects-3K?#

HomeObjects-3K è progettato per rilevare oggetti domestici quotidiani — come letti, divani, TV e lampade — in scene indoor. Questo lo rende ben adatto a smart home, robotica, realtà aumentata e sistemi di monitoraggio degli interni, sia per il deployment edge in tempo reale che per la ricerca accademica.

Link to this sectionQuante immagini e classi sono presenti nel dataset HomeObjects-3K?#

HomeObjects-3K contiene un totale di 2.689 immagini — 2.285 per l'addestramento e 404 per la convalida — senza uno split di test separato. Ogni immagine è etichettata attraverso 12 classi di oggetti: letto, divano, sedia, tavolo, lampada, TV, portatile, armadio, finestra, porta, pianta in vaso e cornice.

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

Il dataset include 12 degli oggetti domestici incontrati più comunemente: letto, divano, sedia, tavolo, lampada, TV, portatile, armadio, finestra, porta, pianta in vaso e cornice. Questi oggetti sono stati scelti per riflettere ambienti interni realistici e per supportare attività come la navigazione robotica e la comprensione della scena in applicazioni AR/VR.

Link to this sectionCome scarico il dataset HomeObjects-3K?#

Il dataset (390 MB) si scarica automaticamente la prima volta che esegui l'addestramento con data="HomeObjects-3K.yaml" — non è richiesto alcun passaggio manuale. Ultralytics recupera le immagini e le etichette e le decomprime nella tua directory dei dataset locale. Puoi sfogliare i dataset correlati nella panoramica dei dataset di rilevamento.

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

Per addestrare un modello YOLO come YOLO26n, hai bisogno del file di configurazione HomeObjects-3K.yaml e dei pesi del modello preaddestrato. L'addestramento si avvia con un singolo comando Python o CLI, e puoi personalizzare parametri come epoche, dimensione dell'immagine e dimensione del batch per le tue prestazioni target e l'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?#

Sì. Le sue annotazioni standardizzate in formato YOLO e le dimensioni compatte rendono HomeObjects-3K un ottimo punto di partenza per studenti e appassionati che esplorano il rilevamento di oggetti nel mondo reale in scenari indoor.

Link to this sectionDove posso trovare il formato di annotazione e il file YAML?#

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