Link to this sectionHomeObjects-3Kデータセット#

The HomeObjects-3K dataset is a curated collection of common household object images, designed for training, testing, and benchmarking computer vision models. Featuring ~3,000 images and 12 distinct object classes, this dataset is ideal for research and applications in indoor scene understanding, smart home devices, robotics, and augmented reality.

Link to this sectionデータセットの構造#

HomeObjects-3Kデータセットは、以下のサブセットで構成されています。

• トレーニングセット: ソファ、椅子、テーブル、ランプなどのオブジェクトを含む、アノテーション付き画像2,285枚で構成されています。
• 検証セット: モデルのパフォーマンスを評価するために指定された、アノテーション付き画像404枚が含まれています。

各画像は、Ultralytics YOLO形式に準拠したバウンディングボックスを使用してラベル付けされています。屋内の照明、オブジェクトのスケール、向きの多様性により、現実世界の展開シナリオに対して堅牢です。

Link to this sectionオブジェクトクラス#

このデータセットは、家具、家電、装飾品を網羅する12の日常的なオブジェクトカテゴリをサポートしています。これらのクラスは、屋内家庭環境で遭遇する一般的なアイテムを反映するように選択されており、オブジェクト検出やオブジェクトトラッキングなどのビジョンタスクをサポートします。

Link to this sectionアプリケーション#

HomeObjects-3Kは、屋内コンピュータビジョンにおける研究と実際の製品開発の両方にわたる、幅広いアプリケーションを可能にします。

• 屋内オブジェクト検出: Ultralytics YOLO26のようなモデルを使用して、画像内のベッド、椅子、ランプ、ノートPCなどの一般的な家庭用品を見つけて位置を特定します。これは、屋内シーンのリアルタイムな理解に役立ちます。

• シーンレイアウト解析: ロボティクスやスマートホームシステムにおいて、デバイスが部屋の配置、ドア、窓、家具などの場所を理解し、安全に移動したり環境と適切に対話したりするのに役立ちます。

• ARアプリケーション: 拡張現実（AR）を使用するアプリでオブジェクト認識機能を強化します。例えば、テレビやワードローブを検出して、それらに関する追加情報やエフェクトを表示します。

• 教育および研究: 学生や研究者に、屋内オブジェクト検出を実世界の例で練習するためのすぐに使えるデータセットを提供することで、学習や学術プロジェクトをサポートします。

• ホームインベントリとアセットトラッキング: 写真や動画内の家庭用品を自動的に検出してリスト化します。これは、所持品の管理、スペースの整理、または不動産における家具の視覚化に役立ちます。

Link to this sectionデータセット YAML#

HomeObjects-3Kデータセットの設定は、YAMLファイルを通じて提供されます。このファイルは、トレーニングおよび検証ディレクトリの画像パスやオブジェクトクラスのリストといった重要な情報を概説しています。HomeObjects-3K.yamlファイルには、以下のUltralyticsリポジトリから直接アクセスできます: 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 section使用方法#

HomeObjects-3Kデータセット上で、画像サイズ640を使用してYOLO26nモデルを100エポックトレーニングできます。以下の例は、開始方法を示しています。その他のトレーニングオプションや詳細な設定については、トレーニングガイドを確認してください。

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 sectionサンプル画像とアノテーション#

このデータセットは、自然な家庭環境における幅広い家庭用品を捉えた、屋内シーンの豊富な画像コレクションを特徴としています。以下はデータセットからのサンプル画像であり、各オブジェクトの位置、スケール、空間的な関係を示す対応するアノテーションとペアになっています。

Link to this sectionライセンスおよび帰属#

HomeObjects-3Kは、**Ultralyticsチーム**によって開発・公開されており、AGPL-3.0ライセンスの下で、適切な帰属表示を行うことを条件にオープンソース研究および商用利用をサポートしています。

研究でこのデータセットを使用する場合は、以下の詳細を使用して引用してください。

@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 sectionよくある質問 (FAQ)#

Link to this sectionHomeObjects-3Kデータセットは何のために設計されていますか？#

HomeObjects-3Kは、AIによる屋内シーンの理解を前進させるために作成されました。ベッド、ソファ、テレビ、ランプといった日常的な家庭用品の検出に焦点を当てており、スマートホーム、ロボティクス、拡張現実、屋内監視システムでのアプリケーションに最適です。リアルタイムのエッジデバイス向けモデルのトレーニングであれ、学術研究であれ、このデータセットはバランスの取れた基盤を提供します。

Link to this sectionどのオブジェクトカテゴリが含まれており、なぜそれらが選択されたのですか？#

このデータセットには、ベッド、ソファ、椅子、テーブル、ランプ、テレビ、ノートPC、ワードローブ、窓、ドア、観葉植物、写真立てという、最も一般的に遭遇する12の家庭用品が含まれています。これらのオブジェクトは、現実的な屋内環境を反映し、ロボットナビゲーションやAR/VRアプリケーションでのシーン生成といった多目的タスクをサポートするために選択されました。

Link to this sectionHomeObjects-3Kデータセットを使用してYOLOモデルをトレーニングするにはどうすればよいですか？#

YOLO26nのようなYOLOモデルをトレーニングするには、HomeObjects-3K.yaml設定ファイルと事前学習済みモデルの重みが必要です。Pythonを使用する場合でもCLIを使用する場合でも、1つのコマンドでトレーニングを開始できます。ターゲットとするパフォーマンスやハードウェア構成に応じて、エポック数、画像サイズ、バッチサイズなどのパラメータをカスタマイズできます。

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 sectionこのデータセットは初心者向けのプロジェクトに適していますか？#

はい、間違いありません。クリーンなラベル付けと標準化されたYOLO互換のアノテーションを備えたHomeObjects-3Kは、屋内シナリオでの実世界オブジェクト検出を探索したい学生や趣味の人にとって素晴らしい入り口となります。また、商用環境におけるより複雑なアプリケーションにも対応可能です。

Link to this sectionアノテーション形式とYAMLはどこで見つけられますか？#

データセットYAMLセクションを参照してください。形式は標準的なYOLOであるため、ほとんどのオブジェクト検出パイプラインと互換性があります。