Link to this sectionHomeObjects-3K 데이터셋#

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 section데이터셋 구조#

HomeObjects-3K 데이터셋은 다음과 같은 서브셋으로 구성되어 있습니다:

• 학습 세트(Training Set): 소파, 의자, 테이블, 램프 등과 같은 사물을 포함한 2,285개의 주석이 달린 이미지로 구성됩니다.
• 검증 세트(Validation Set): 모델 성능을 평가하기 위해 지정된 404개의 주석이 달린 이미지로 구성됩니다.

각 이미지는 Ultralytics YOLO 형식에 맞춰 바운딩 박스로 라벨링되어 있습니다. 실내 조명, 사물 크기 및 방향의 다양성 덕분에 실제 배포 시나리오에서 강력한 성능을 발휘합니다.

Link to this section사물 클래스#

이 데이터셋은 가구, 전자제품, 장식용품을 아우르는 12개의 일상적인 사물 카테고리를 지원합니다. 이러한 클래스들은 실내 가정 환경에서 흔히 볼 수 있는 사물들을 반영하도록 선정되었으며, 객체 탐지 및 객체 추적과 같은 비전 작업을 지원합니다.

Link to this section응용 분야#

HomeObjects-3K는 연구와 실제 제품 개발을 아우르는 실내 컴퓨터 비전 분야의 폭넓은 애플리케이션을 가능하게 합니다:

• 실내 객체 탐지: Ultralytics YOLO26과 같은 모델을 사용하여 이미지 내 침대, 의자, 램프, 노트북과 같은 일반적인 가정용 사물을 찾고 위치를 파악합니다. 이는 실내 장면을 실시간으로 이해하는 데 도움이 됩니다.

• 장면 레이아웃 파싱: 로보틱스 및 스마트 홈 시스템에서 이 데이터는 디바이스가 방의 구조, 문, 창문, 가구 등의 위치를 이해하도록 도와주어, 안전하게 이동하고 환경과 적절히 상호작용할 수 있게 합니다.

• AR 애플리케이션: 증강 현실을 사용하는 앱에서 객체 인식 기능을 강화합니다. 예를 들어, TV나 옷장을 탐지하고 그 위에 추가적인 정보나 효과를 표시할 수 있습니다.

• 교육 및 연구: 학생과 연구자들에게 실제 환경에서의 실내 객체 탐지를 연습할 수 있는 즉시 사용 가능한 데이터셋을 제공하여 학업 프로젝트를 지원합니다.

• 가정 내 인벤토리 및 자산 추적: 사진이나 영상에서 가정용 사물을 자동으로 탐지하고 목록화하며, 이는 자산 관리, 공간 정리, 또는 부동산 분야에서의 가구 배치 시각화에 유용합니다.

Link to this section데이터셋 YAML#

HomeObjects-3K 데이터셋의 구성은 YAML 파일을 통해 제공됩니다. 이 파일에는 학습 및 검증 디렉토리에 대한 이미지 경로와 사물 클래스 목록과 같은 필수 정보가 명시되어 있습니다. HomeObjects-3K.yaml 파일은 Ultralytics 저장소에서 직접 확인할 수 있습니다: 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 section사용법#

이미지 크기 640을 사용하여 HomeObjects-3K 데이터셋으로 100 에포크 동안 YOLO26n 모델을 학습시킬 수 있습니다. 아래 예시는 시작 방법을 보여줍니다. 더 많은 학습 옵션과 상세 설정은 학습(Training) 가이드를 확인하십시오.

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 section샘플 이미지 및 주석#

이 데이터셋은 자연스러운 가정 환경 내의 다양한 가정용 사물을 포착하는 풍부한 실내 장면 이미지 컬렉션을 특징으로 합니다. 아래는 데이터셋의 샘플 시각 자료이며, 각 샘플은 사물의 위치, 크기 및 공간적 관계를 설명하는 해당 주석과 함께 제공됩니다.

Link to this section라이선스 및 귀속#

HomeObjects-3K는 **Ultralytics 팀**이 개발하여 AGPL-3.0 라이선스하에 배포하며, 적절한 출처 표기와 함께 오픈 소스 연구 및 상업적 사용을 지원합니다.

연구에 이 데이터셋을 사용하는 경우 명시된 세부 정보를 사용하여 인용해 주십시오:

@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 sectionHomeObjects-3K 데이터셋은 어떤 용도로 설계되었나요?#

HomeObjects-3K는 실내 장면에 대한 AI 이해도를 높이기 위해 제작되었습니다. 침대, 소파, TV, 램프와 같은 일상적인 가정용 사물을 탐지하는 데 중점을 두어 스마트 홈, 로보틱스, 증강 현실 및 실내 모니터링 시스템 애플리케이션에 이상적입니다. 실시간 엣지 디바이스를 위한 모델 학습이든 학술 연구용이든, 이 데이터셋은 균형 잡힌 기반을 제공합니다.

Link to this section어떤 사물 카테고리가 포함되어 있으며, 왜 선택되었나요?#

데이터셋에는 침대, 소파, 의자, 테이블, 램프, TV, 노트북, 옷장, 창문, 문, 화분, 액자 등 가장 흔히 접하는 12가지 가정용 사물이 포함되어 있습니다. 이러한 사물들은 현실적인 실내 환경을 반영하고 로봇 내비게이션이나 AR/VR 애플리케이션에서의 장면 생성과 같은 다목적 작업을 지원하기 위해 선정되었습니다.

Link to this sectionHomeObjects-3K 데이터셋을 사용하여 YOLO 모델을 어떻게 학습시킬 수 있나요?#

YOLO26n과 같은 YOLO 모델을 학습하려면 HomeObjects-3K.yaml 설정 파일과 사전 학습된 모델 가중치만 있으면 됩니다. Python이나 CLI를 사용하든, 단일 명령어로 학습을 시작할 수 있습니다. 목표 성능과 하드웨어 설정에 따라 에포크, 이미지 크기, 배치 사이즈와 같은 매개변수를 조정할 수 있습니다.

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 section이 데이터셋은 초보자 수준의 프로젝트에 적합한가요?#

물론입니다. 깔끔한 라벨링과 표준화된 YOLO 호환 주석을 갖춘 HomeObjects-3K는 실내 시나리오에서 실제 객체 탐지를 탐구하려는 학생과 취미 사용자들에게 훌륭한 입문용 데이터셋입니다. 또한 상업 환경의 보다 복잡한 애플리케이션으로 확장하기에도 적합합니다.

Link to this section주석 형식과 YAML은 어디서 찾을 수 있나요?#

Refer to the Dataset YAML section. The format is standard YOLO, making it compatible with most object detection pipelines.