Dataset 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.

112 classes769.9 MBSep 2, 2026

bedsofachairtable+8

object-detectionindoorhome-objects+1

O dataset HomeObjects-3K da Ultralytics é um dataset de deteção de objetos em ambientes interiores, composto por 2 689 imagens (2 285 para treino e 404 para validação), anotadas em 12 classes de objetos domésticos comuns — cama, sofá, cadeira, mesa, candeeiro, TV, portátil, roupeiro, janela, porta, planta em vaso e moldura. Desenvolvido para treinar e fazer avaliação comparativa de modelos de visão computacional, destina-se à compreensão de cenas interiores, dispositivos domésticos inteligentes, robótica e realidade aumentada.

Estrutura do Conjunto de Dados#

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

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

Classes de objetos#

O dataset abrange 12 categorias de objetos comuns, incluindo mobiliário, eletrónica e elementos decorativos normalmente encontrados em ambientes domésticos interiores:

Aplicações#

O HomeObjects-3K suporta várias aplicações de visão computacional em ambientes interiores, tanto na investigação como no desenvolvimento de produtos:

• Deteção de objetos em ambientes interiores: Usa modelos como o Ultralytics YOLO26 para encontrar e localizar objetos domésticos comuns, como camas, cadeiras, candeeiros e portáteis, em imagens e obter uma compreensão em tempo real de cenas interiores.

• Análise da disposição da cena: Ajuda sistemas robóticos e domésticos inteligentes a compreender como as divisões estão organizadas — onde se encontram portas, janelas e móveis — para que os dispositivos possam navegar em segurança e interagir com o ambiente.

• Aplicações de RA: Alimenta funcionalidades de reconhecimento de objetos em aplicações de realidade aumentada. Por exemplo, deteta TVs ou roupeiros e sobrepõe-lhes informações ou efeitos adicionais.

• Educação e investigação: Disponibiliza a estudantes e investigadores um dataset pronto a utilizar para praticar a deteção de objetos em ambientes interiores com exemplos do mundo real.

• Inventário doméstico e rastreamento de bens: Deteta e lista automaticamente objetos domésticos em fotografias ou vídeos, o que é útil para gerir bens, organizar espaços ou visualizar mobiliário em imóveis.

Para anotar as tuas próprias imagens de interiores, treinar e gerir versões de datasets no navegador, executa todo o fluxo de trabalho com a Ultralytics Platform.

YAML do Conjunto de Dados#

O ficheiro HomeObjects-3K.yaml define a configuração do dataset — os caminhos das imagens de treino e validação e a lista de classes de objetos. 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

Utilização#

Podes treinar um modelo YOLO26n no dataset HomeObjects-3K durante 100 épocas, utilizando um tamanho de imagem de 640. O dataset (390 MB) é transferido automaticamente na primeira utilização. Os exemplos abaixo mostram como começar. Para mais opções de treino e definições detalhadas, consulta o guia de Treino.

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)

Imagens de exemplo e anotações#

O exemplo abaixo mostra uma cena interior do dataset com as respetivas anotações de caixas delimitadoras, ilustrando as posições, escalas e relações espaciais dos objetos que os modelos aprendem a detetar.

Licença e atribuição#

O HomeObjects-3K é desenvolvido e disponibilizado pela equipa da Ultralytics ao abrigo da Licença AGPL-3.0, apoiando a investigação de código aberto e a utilização comercial com a devida atribuição.

Se utilizares este conjunto de dados na tua investigação, cita-o utilizando 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}
}

Perguntas frequentes#