HomeObjects-3K 데이터셋#

2,686

HomeObjects-3K

ultralytics

publicDetect

HomeObjects-3K is an Ultralytics indoor detection benchmark spanning twelve furniture, appliance, opening, and decor classes. Images cover beds, sofas, chairs, tables, doors, windows, televisions, lamps, and other household objects across varied rooms and viewpoints.

112 classes769.9 MBSep 2, 2026

bedsofachairtable+8

object-detectionindoorhome-objects+1

Ultralytics HomeObjects-3K 데이터셋은 2,689개 이미지(학습용 2,285개 및 검증용 404개)로 구성된 실내 객체 탐지 데이터셋으로, 침대, 소파, 의자, 테이블, 램프, TV, 노트북, 옷장, 창문, 문, 화분, 사진 액자 등 일상적인 가정용품 12개 클래스를 대상으로 라벨이 지정되어 있습니다. 학습 및 벤치마킹을 위해 구축된 컴퓨터 비전 모델을 대상으로 하며, 실내 장면 이해, 스마트 홈 기기, 로보틱스, 증강 현실을 지원합니다.

데이터셋 구조#

HomeObjects-3K 데이터셋은 HomeObjects-3K.yaml 구성으로 정의된 두 개의 사전 정의된 하위 집합으로 분할됩니다:

각 이미지에는 Ultralytics YOLO 형식의 바운딩 박스가 라벨링되어 있어 객체 탐지 및 트래킹 파이프라인에서 바로 사용할 수 있습니다.

객체 클래스#

이 데이터셋은 실내 주거 환경에서 흔히 볼 수 있는 가구, 전자기기 및 장식품을 아우르는 12개의 일상적인 객체 카테고리를 포함합니다:

응용 분야#

HomeObjects-3K는 연구 및 제품 개발 전반에서 다양한 실내 컴퓨터 비전 애플리케이션을 지원합니다:

• 실내 객체 탐지: Ultralytics YOLO26과 같은 모델을 사용하여 이미지에서 침대, 의자, 램프, 노트북과 같은 일반적인 가정용품을 찾아 위치를 파악하고 실내 장면을 실시간으로 이해할 수 있습니다.

• 장면 레이아웃 파싱: 로보틱스 및 스마트 홈 시스템이 방의 구조, 즉 문, 창문, 가구의 위치를 이해하도록 지원하여 기기가 안전하게 이동하고 주변 환경과 상호작용할 수 있게 합니다.

• AR 애플리케이션: 증강 현실 앱에서 객체 인식 기능을 구현합니다. 예를 들어 TV나 옷장을 탐지하고 그 위에 추가 정보나 효과를 오버레이할 수 있습니다.

• 교육 및 연구: 학생과 연구자가 실제 사례를 활용해 실내 객체 탐지를 연습할 수 있는 즉시 사용 가능한 데이터셋을 제공합니다.

• 가정 재고 및 자산 추적: 사진이나 동영상에서 가정용품을 자동으로 탐지하고 목록화하여 소유물을 관리하고 공간을 정리하거나 부동산에서 가구를 시각화하는 데 유용합니다.

자체 실내 이미지에 라벨을 지정하고, 학습을 수행하며, 브라우저에서 데이터셋 버전을 관리하려면 Ultralytics Platform으로 전체 워크플로를 실행합니다.

데이터셋 YAML#

HomeObjects-3K.yaml 파일은 데이터셋 구성, 즉 학습 및 검증 이미지 경로와 객체 클래스 목록을 정의합니다. 이 파일은 Ultralytics 리포지토리의 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/HomeObjects-3K.yaml에서 관리됩니다.

# 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

사용법#

이미지 크기 640으로 100 에포크 동안 HomeObjects-3K 데이터셋에서 YOLO26n 모델을 학습할 수 있습니다. 데이터셋(390 MB)은 처음 사용할 때 자동으로 다운로드됩니다. 아래 예제에서는 시작 방법을 보여 줍니다. 더 많은 학습 옵션과 세부 설정은 학습 가이드를 참조하세요.

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)

샘플 이미지 및 주석#

아래 샘플은 바운딩 박스 어노테이션이 포함된 데이터셋의 실내 장면을 보여 주며, 모델이 탐지하도록 학습하는 객체의 위치, 크기 및 공간적 관계를 설명합니다.

라이선스 및 저작자 표시#

HomeObjects-3K는 **Ultralytics 팀**이 AGPL-3.0 라이선스에 따라 개발하고 배포하며, 적절한 저작자 표시를 전제로 오픈 소스 연구와 상업적 사용을 지원합니다.

연구에서 이 데이터셋을 사용하는 경우 다음에 언급된 세부 정보로 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}
}

FAQ#