Dataset HomeObjects-3K#

2,686

HomeObjects-3K

ultralytics

publicDetect

Official Ultralytics HomeObjects-3K object detection dataset with 2,686 unique indoor images and 22,275 bounding boxes across 12 household classes. The 2,689-file source release contains three byte-identical image pairs, which Platform deduplicates while retaining the richer annotation variants. Includes 2,283 train and 403 validation images after deduplication.

112 classes769.9 MBAug 21, 2026

bedsofachairtable+8

object-detectionindoorhome-objects+1

O conjunto de dados Ultralytics HomeObjects-3K é um conjunto de dados de detecção de objetos em ambientes internos com 2.689 imagens (2.285 de treinamento e 404 de validação) rotuladas em 12 classes comuns do cotidiano doméstico — cama, sofá, cadeira, mesa, luminária, TV, laptop, guarda-roupa, janela, porta, planta em vaso e porta-retratos. Criado para treinar e avaliar modelos de visão computacional, ele foca na compreensão de cenas internas, dispositivos de casas inteligentes, robótica e realidade aumentada.

Estrutura 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 no formato Ultralytics YOLO, prontas para pipelines de detecção e rastreamento de objetos.

Classes de Objetos#

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

Aplicações#

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 AR: Impulsione recursos de reconhecimento de objetos em aplicativos de realidade aumentada. Por exemplo, detecte TVs ou guarda-roupas e sobreponha informações ou efeitos extras neles.

• 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 de conjuntos de dados no seu navegador, execute o fluxo de trabalho completo com a Ultralytics Platform.

YAML 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 do 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#

Podes 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, consulta o guia Training.

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)

Exemplos 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.

Licença e Atribuição#

O HomeObjects-3K é desenvolvido e lançado pela equipe da Ultralytics sob a Licença AGPL-3.0, apoiando pesquisas de código aberto e 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}
}

FAQ#