Página inicialConjunto de dados HomeObjects-3K#

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.

212 classes769.9 MBSep 2, 2026

bedsofachairtable+8

object-detectionindoorhome-objects+1

O conjunto de dados HomeObjects-3K da Ultralytics é um conjunto de dados de detecção de objetos em ambientes internos com 2.689 imagens (2.285 para treinamento e 404 para validação), anotadas em 12 classes de objetos domésticos do dia a dia — cama, sofá, cadeira, mesa, luminária, TV, laptop, guarda-roupa, janela, porta, planta em vaso e porta-retratos. Criado para treinar e fazer benchmarking de modelos de visão computacional, ele é voltado à compreensão de cenas internas, dispositivos domésticos inteligentes, robótica e realidade aumentada.

Estrutura do conjunto de dados#

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

Cada imagem é anotada com caixas delimitadoras no formato Ultralytics YOLO, pronta para pipelines de detecção de objetos e rastreamento.

Classes de objetos#

O conjunto de dados abrange 12 categorias de objetos do dia a dia, incluindo móveis, eletrônicos e itens decorativos comuns em ambientes domésticos internos:

Aplicações#

O HomeObjects-3K dá suporte a diversas aplicações de visão computacional em ambientes internos, tanto em pesquisa quanto no desenvolvimento de produtos:

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

• Interpretação do layout de cenas: ajude sistemas de robótica e casas inteligentes a entender como os cômodos estão organizados — onde ficam portas, janelas e móveis — para que os dispositivos possam se deslocar com segurança e interagir com o ambiente.

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

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

• Inventário doméstico e rastreamento de bens: detecte e liste automaticamente objetos domésticos em fotos ou vídeos, algo útil para gerenciar pertences, organizar espaços ou visualizar móveis em imóveis.

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

YAML do conjunto de dados#

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

Uso#

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

from ultralytics import YOLO

# Carrega o modelo pré-treinado
model = YOLO("yolo26n.pt")

# Treine o modelo no conjunto de dados HomeObjects-3K
model.train(data="HomeObjects-3K.yaml", epochs=100, imgsz=640)

Imagens de exemplo e anotações#

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

Licença e atribuição#

O HomeObjects-3K foi 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 usar este conjunto de dados na sua investigação, cite-o usando os detalhes indicados:

@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}
}

Perguntas frequentes#