Meet YOLO26: next-gen vision AI.

Link to this sectionHomeObjects-3K 데이터셋#

HomeObjects-3K Dataset In Colab

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.



Watch: How to Train Ultralytics YOLO26 on HomeObjects-3K Dataset | Detection, Validation & ONNX Export 🚀

Link to this section데이터셋 구조#

HomeObjects-3K 데이터셋은 다음과 같은 하위 집합으로 구성됩니다:

  • 학습 세트(Training Set): 소파, 의자, 테이블, 램프 등과 같은 객체를 포함하는 2,285개의 주석이 달린 이미지로 구성됩니다.
  • 검증 세트(Validation Set): 모델 성능 평가를 위해 지정된 404개의 주석이 달린 이미지를 포함합니다.

각 이미지는 Ultralytics YOLO 형식에 맞춰 조정된 바운딩 박스를 사용하여 레이블이 지정되어 있습니다. 실내 조명, 객체 크기 및 방향의 다양성 덕분에 실제 배포 시나리오에서도 견고한 성능을 발휘합니다.

Link to this section객체 클래스#

이 데이터셋은 가구, 전자제품 및 장식품을 아우르는 12가지 일상 객체 카테고리를 지원합니다. 이러한 클래스는 실내 가정 환경에서 흔히 접하는 일반적인 항목들을 반영하며 객체 탐지 및 객체 추적과 같은 비전 작업을 지원하도록 선택되었습니다.

HomeObjects-3K 클래스
  1. 침대
  2. 소파
  3. 의자
  4. 테이블
  5. 램프
  6. TV
  7. 노트북
  8. 옷장
  9. 창문
  10. 문
  11. 화분
  12. 액자

Link to this section응용 분야#

HomeObjects-3K는 연구 및 실제 제품 개발을 아우르는 실내 컴퓨터 비전 분야의 광범위한 응용을 가능하게 합니다:

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

  • 장면 레이아웃 파싱: 로봇 공학 및 스마트 홈 시스템에서 이 기능은 기기가 방의 배치, 문, 창문, 가구의 위치를 파악하여 안전하게 이동하고 환경과 적절히 상호 작용할 수 있도록 지원합니다.

  • AR 응용: 증강 현실을 사용하는 앱의 객체 인식 기능을 강화합니다. 예를 들어 TV나 옷장을 감지하고 그 위에 추가 정보나 효과를 표시할 수 있습니다.

  • 교육 및 연구: 학생과 연구자들이 실제 사례를 통해 실내 객체 탐지를 연습할 수 있는 데이터셋을 제공하여 학습 및 학술 프로젝트를 지원합니다.

  • 가정 인벤토리 및 자산 추적: 사진이나 영상 속 가정용 물품을 자동으로 탐지 및 목록화하며, 소지품 관리, 공간 정리 또는 부동산 가구 배치 시각화에 유용합니다.

Link to this section데이터셋 YAML#

HomeObjects-3K 데이터셋을 위한 구성은 YAML 파일을 통해 제공됩니다. 이 파일에는 학습 및 검증 디렉토리에 대한 이미지 경로와 객체 클래스 목록 같은 필수 정보가 포함되어 있습니다. HomeObjects-3K.yaml 파일은 다음 Ultralytics 저장소에서 직접 액세스할 수 있습니다: https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/HomeObjects-3K.yaml

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 데이터셋에서 YOLO26n 모델을 100 에포크 동안 학습시킬 수 있습니다. 아래 예시를 통해 시작 방법을 확인하세요. 더 많은 학습 옵션과 상세 설정은 학습 가이드를 참조하십시오.

학습 예시
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 객체를 포착한 실내 장면 이미지들을 풍부하게 포함하고 있습니다. 아래는 데이터셋의 샘플 시각 자료이며, 각 객체의 위치, 크기 및 공간적 관계를 설명하기 위해 해당 주석과 함께 제공됩니다.

가정용 객체가 포함된 HomeObjects-3K 데이터셋 샘플

Link to this section라이선스 및 귀속#

HomeObjects-3K는 **Ultralytics 팀**에 의해 개발 및 배포되며, 적절한 귀속과 함께 오픈 소스 연구 및 상업적 용도를 지원하는 AGPL-3.0 라이선스를 따릅니다.

본 연구에서 이 데이터셋을 사용하는 경우 명시된 세부 정보를 사용하여 인용해 주십시오:

인용
@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 무엇을 위해 설계되었나요?#

HomeObjects-3K는 실내 장면에 대한 AI의 이해를 높이기 위해 제작되었습니다. 침대, 소파, TV, 램프와 같은 일상적인 가정용 물품을 탐지하는 데 중점을 두어 스마트 홈, 로봇 공학, 증강 현실 및 실내 모니터링 시스템 분야의 응용에 이상적입니다. 실시간 엣지 기기용 모델을 학습시키든 학술 연구를 진행하든, 이 데이터셋은 균형 잡힌 기반을 제공합니다.

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

이 데이터셋에는 가장 흔히 접하는 12가지 가정용 물품인 침대, 소파, 의자, 테이블, 램프, TV, 노트북, 옷장, 창문, 문, 화분, 액자가 포함되어 있습니다. 이러한 객체들은 현실적인 실내 환경을 반영하고 로봇 내비게이션이나 AR/VR 응용 분야의 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 구성 파일과 사전 학습된 모델 가중치만 있으면 됩니다. Python을 사용하든 CLI를 사용하든 단일 명령어로 학습을 시작할 수 있습니다. 대상 성능과 하드웨어 설정에 따라 에포크, 이미지 크기, 배치 크기와 같은 매개변수를 사용자 정의할 수 있습니다.

학습 예시
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 데이터셋이 초보자 수준의 프로젝트에 적합한가요?#

물론입니다. 깔끔한 레이블링과 표준화된 YOLO 호환 주석을 갖춘 HomeObjects-3K는 실내 시나리오에서 실제 객체 탐지를 탐구하려는 학생과 취미 사용자에게 훌륭한 입문용 데이터셋입니다. 또한 상업 환경의 보다 복잡한 응용 분야로도 확장성이 뛰어납니다.

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

데이터셋 YAML 섹션을 참조하십시오. 형식은 표준 YOLO이므로 대부분의 객체 탐지 파이프라인과 호환됩니다.

기여자
GLglenn-jocher4RIRizwanMunawar3LAlakshanthad1RAraimbekovm1

댓글