Link to this sectionDataset HomeObjects-3K#

O conjunto de dados Ultralytics HomeObjects-3K é um conjunto de dados de detecção de objetos para ambientes internos com 2.689 imagens (2.285 de treinamento e 404 de validação) rotuladas em 12 classes domésticas cotidianas — cama, sofá, cadeira, mesa, luminária, TV, laptop, guarda-roupa, janela, porta, planta em vaso e moldura de foto. Criado para o treinamento e benchmarking de modelos de visão computacional, ele tem como alvo a compreensão de cenas internas, dispositivos de casa inteligente, robótica e realidade aumentada.

Link to this sectionEstrutura do Dataset#

O conjunto de dados HomeObjects-3K é dividido em dois subconjuntos predefinidos, definidos pela configuração HomeObjects-3K.yaml:

Cada imagem é rotulada com caixas delimitadoras (bounding boxes) no formato Ultralytics YOLO, pronto para pipelines de detecção de objetos e rastreamento.

Link to this sectionClasses de Objetos#

O conjunto de dados cobre 12 categorias de objetos cotidianos abrangendo móveis, eletrônicos e itens decorativos comumente encontrados em ambientes domésticos internos:

Link to this sectionAplicações#

O HomeObjects-3K suporta uma variedade de aplicações de visão computacional em ambientes internos, tanto em pesquisa quanto em desenvolvimento de produtos:

• Detecção de objetos em ambientes internos: Use modelos como o Ultralytics YOLO26 para encontrar e localizar itens domésticos comuns, como camas, cadeiras, luminárias e laptops em imagens, para a compreensão em tempo real de cenas internas.

• Análise de layout de cena: Ajude sistemas de robótica e casa inteligente a entender como os ambientes estão organizados — onde portas, janelas e móveis estão posicionados — para que os dispositivos possam navegar com segurança e interagir com o ambiente.

• Aplicações de RA: Potencialize recursos de reconhecimento de objetos em aplicativos de realidade aumentada. Por exemplo, detecte TVs ou guarda-roupas e sobreponha informações ou efeitos adicionais sobre eles.

• Educação e pesquisa: Forneça aos estudantes e pesquisadores um conjunto de dados pronto para uso para praticar a detecção de objetos em ambientes internos com exemplos do mundo real.

• Inventário doméstico e rastreamento de ativos: Detecte e liste automaticamente itens domésticos em fotos ou vídeos, útil para gerenciar pertences, organizar espaços ou visualizar móveis no setor imobiliário.

Para rotular suas próprias imagens de ambientes internos, treinar e gerenciar versões do conjunto de dados no seu navegador, execute o fluxo de trabalho completo com a Ultralytics Platform.

Link to this sectionYAML do Dataset#

O arquivo HomeObjects-3K.yaml define a configuração do conjunto de dados — os caminhos das imagens de treinamento e validação e a lista de classes de objetos. Ele é mantido no repositório da Ultralytics em 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 sectionUso#

Você pode treinar um modelo YOLO26n no conjunto de dados HomeObjects-3K por 100 épocas usando um tamanho de imagem de 640. O conjunto de dados (390 MB) é baixado automaticamente no primeiro uso. Os exemplos abaixo mostram como começar. Para mais opções de treinamento e configurações detalhadas, consulte o guia de Treinamento.

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 sectionExemplos de Imagens e Anotações#

A amostra abaixo mostra uma cena interna do conjunto de dados com suas anotações de caixas delimitadoras, ilustrando as posições dos objetos, escalas e relações espaciais que os modelos aprendem a detectar.

Link to this sectionLicença e Atribuição#

O HomeObjects-3K é desenvolvido e lançado pela equipe da Ultralytics sob a Licença AGPL-3.0, apoiando a pesquisa de código aberto e o uso comercial com a devida atribuição.

Se você usar este dataset em sua pesquisa, cite-o usando os detalhes mencionados:

@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 sectionPara que o dataset HomeObjects-3K foi projetado?#

O HomeObjects-3K foi projetado para detectar itens domésticos cotidianos — como camas, sofás, TVs e luminárias — em cenas internas. Isso o torna bem adequado para casas inteligentes, robótica, realidade aumentada e sistemas de monitoramento interno, tanto para implementação em dispositivos de borda (edge) em tempo real quanto para pesquisa acadêmica.

Link to this sectionQuantas imagens e classes existem no conjunto de dados HomeObjects-3K?#

O HomeObjects-3K contém um total de 2.689 imagens — 2.285 para treinamento e 404 para validação — sem uma divisão de teste separada. Cada imagem é rotulada em 12 classes de objetos: cama, sofá, cadeira, mesa, luminária, TV, laptop, guarda-roupa, janela, porta, planta em vaso e moldura de foto.

Link to this sectionQuais categorias de objetos estão incluídas e por que foram selecionadas?#

O conjunto de dados inclui 12 dos itens domésticos mais comumente encontrados: cama, sofá, cadeira, mesa, luminária, TV, laptop, guarda-roupa, janela, porta, planta em vaso e moldura de foto. Esses objetos foram escolhidos para refletir ambientes internos realistas e apoiar tarefas como navegação robótica e compreensão de cena em aplicações de RA/RV.

Link to this sectionComo faço para baixar o conjunto de dados HomeObjects-3K?#

O conjunto de dados (390 MB) é baixado automaticamente na primeira vez que você treina com data="HomeObjects-3K.yaml" — nenhuma etapa manual é necessária. A Ultralytics busca as imagens e os rótulos e os descompacta no seu diretório local de conjuntos de dados. Você pode procurar conjuntos de dados relacionados na visão geral de conjuntos de dados de detecção.

Link to this sectionComo posso treinar um modelo YOLO usando o dataset HomeObjects-3K?#

Para treinar um modelo YOLO como o YOLO26n, você precisa do arquivo de configuração HomeObjects-3K.yaml e dos pesos do modelo pré-treinado. O treinamento é iniciado com um único comando Python ou CLI, e você pode personalizar parâmetros como épocas, tamanho da imagem e tamanho do lote (batch size) para o seu desempenho e hardware alvo.

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 sectionEste dataset é adequado para projetos de nível iniciante?#

Sim. Suas anotações padronizadas no formato YOLO e tamanho compacto tornam o HomeObjects-3K um forte ponto de entrada para estudantes e entusiastas que exploram a detecção de objetos do mundo real em cenários internos.

Link to this sectionOnde posso encontrar o formato de anotação e o YAML?#

Consulte a seção Dataset YAML. O formato é o padrão YOLO, tornando-o compatível com a maioria dos pipelines de detecção de objetos.