HomeObjects-3K データセット

HomeObjects-3Kデータセットは、一般的な家庭用オブジェクトの画像を厳選したコレクションであり、コンピュータビジョンモデルのトレーニング、テスト、ベンチマーク用に設計されています。約3,000枚の画像と12の異なるオブジェクトクラスを特徴とするこのデータセットは、屋内シーンの理解、スマートホームデバイス、ロボティクス、拡張現実の研究およびアプリケーションに最適です。

データセット構造

HomeObjects-3Kデータセットは、次のサブセットに編成されています。

• 学習セット: ソファ、椅子、テーブル、ランプなどのオブジェクトを特徴とする2,285枚のアノテーション付き画像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の画像404枚が含まれています。

各画像は、Ultralytics YOLO形式に沿っ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、および向きの多様性により、実世界の展開シナリオに対して堅牢です。

オブジェクトクラス

このデータセットは、家具、電子機器、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、屋内の家庭環境でよく見られるアイテムを反映し、物体検出や物体追跡などのビジョンタスクをサポートするために選択されています。

アプリケーション

HomeObjects-3Kは、屋内コンピュータビジョンの幅広いアプリケーションを可能にし、研究と実際の製品開発の両方に及びます。

• 屋内オブジェクト検出:Ultralytics YOLO11のようなモデルを使用して、画像内のベッド、椅子、ランプ、ラップトップなどの一般的な家庭用品を見つけて特定します。これは、屋内シーンのリアルタイム理解に役立ちます。

• シーンレイアウト解析： ロボット工学やスマートホームシステムでは、部屋の配置、ドア、窓、家具などのオブジェクトの位置をデバイスが理解するのに役立ち、安全にナビゲートして環境と適切に相互作用できるようにします。

• AR applications: 拡張現実を使用するアプリで、物体認識機能を強化します。たとえば、テレビやワードローブを検出し、それらに関する追加情報やエフェクトを表示します。

• 教育と研究: 学生や研究者が実際の例を用いて屋内物体検出を練習するための、すぐに使えるデータセットを提供することで、学習と学術プロジェクトをサポートします。

• 家庭用品のインベントリと資産追跡: 写真やビデオ内の家庭用品を自動的に検出してリスト化し、所持品の管理、スペースの整理、または不動産の家具の視覚化に役立ちます。

データセット YAML

HomeObjects-3Kデータセットの構成は、YAMLファイルを介して提供されます。このファイルには、トレーニングおよび検証ディレクトリの画像パス、およびオブジェクトクラスのリストなどの重要な情報が記載されています。 アクセスできるのは HomeObjects-3K.yaml Ultralyticsリポジトリから直接ファイルを指定します: 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

使用方法

HomeObjects-3KデータセットでYOLO11nモデルを、画像サイズ640を使用して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。詳細なトレーニングオプションと設定については、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("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

サンプル画像と注釈

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、豊富な屋内シーン画像の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、それぞれに対応するアノテーションと組み合わせて、オブジェクトの位置、スケール、空間的関係を示しています。

ライセンスと帰属

HomeObjects-3Kは、Ultralyticsチームによって開発およびリリースされ、AGPL-3.0ライセンスに基づいて、適切な帰属表示によりオープンソースの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、記載されている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/homeobject-3k/},
    version = {1.0.0},
    year = {2025}
}

よくあるご質問

HomeObjects-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、屋内シーンのAI理解を促進するために作成されました。ベッド、ソファ、テレビ、ランプなど、日常の家庭用品の検出に焦点を当てており、スマートホーム、ロボット工学、拡張現実、および室内監視システムでのアプリケーションに最適です。リアルタイムエッジデバイスまたは学術研究用のモデルをトレーニングする場合でも、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。

どのオブジェクトカテゴリが含まれていますか？また、それらが選択された理由は何ですか？

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、ラップトップ、ワードローブ、窓、ドア、鉢植え、フォトフレームという、最も一般的に見られる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などの多目的タスクをサポートするために選択されました。

HomeObjects-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？

YOLO11nのようなYOLOモデルをトレーニングするには、以下が必要です。 HomeObjects-3K.yaml 構成ファイルと 事前学習済みモデル weights。pythonまたはCLIを使用しているかどうかにかかわらず、トレーニングは単一のコマンドで開始できます。ターゲットのパフォーマンスと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("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

このデータセットは初心者レベルのプロジェクトに適していますか？

もちろんです。クリーンなラベリングと標準化された YOLO 互換のアノテーションを備えた HomeObjects-3K は、屋内シナリオでの現実世界の物体検出を探索したい学生や愛好家にとって優れた入門点です。また、商用環境でのより複雑なアプリケーションにも対応できます。

アノテーション形式とYAMLはどこにありますか？

Dataset YAMLセクションを参照してください。このフォーマットは標準的なYOLO形式であり、ほとんどの物体検出パイプラインと互換性があります。

📅作成：2ヶ月前 ✏️更新しました 1ヶ月前

コメント