Conjunto de dados HomeObjects-3K

O conjunto de dados HomeObjects-3K é uma coleção curada de imagens de objetos domésticos comuns, projetada para treinar, testar e realizar benchmarking de modelos de visão computacional. Com cerca de 3.000 imagens e 12 classes distintas de objetos, este conjunto de dados é ideal para pesquisa e aplicações em compreensão de cenas internas, dispositivos de casa inteligente, robótica e realidade aumentada.

Estrutura do Dataset

O conjunto de dados HomeObjects-3K está organizado nos seguintes subconjuntos:

• Conjunto de Treinamento: Composto por 2.285 imagens anotadas contendo objetos como sofás, cadeiras, mesas, lâmpadas e muito mais.
• Conjunto de Validação: Inclui 404 imagens anotadas designadas para avaliar o desempenho do modelo.

Cada imagem é rotulada usando caixas delimitadoras (bounding boxes) alinhadas com o formato Ultralytics YOLO. A diversidade de iluminação interna, escala de objetos e orientações torna-o robusto para cenários de implementação no mundo real.

Classes de Objetos

O conjunto de dados suporta 12 categorias de objetos cotidianos, abrangendo móveis, eletrônicos e itens decorativos. Essas classes foram escolhidas para refletir itens comuns encontrados em ambientes domésticos internos e apoiam tarefas de visão como detecção de objetos e rastreamento de objetos.

!!! Dica "Classes do HomeObjects-3K"

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

Aplicações

O HomeObjects-3K possibilita um amplo espectro de aplicações em visão computacional interna, abrangendo tanto pesquisa quanto desenvolvimento de produtos no mundo real:

• Detecção de objetos internos: Use modelos como Ultralytics YOLO26 para encontrar e localizar itens domésticos comuns, como camas, cadeiras, lâmpadas e laptops em imagens. Isso ajuda na compreensão em tempo real de cenas internas.

• Análise de layout de cena: Em robótica e sistemas de casa inteligente, isso ajuda os dispositivos a entender como os cômodos estão dispostos, onde objetos como portas, janelas e móveis estão, para que possam navegar com segurança e interagir adequadamente com seu ambiente.

• Aplicações de AR: Impulsione recursos de reconhecimento de objetos em aplicativos que usam realidade aumentada. Por exemplo, detecte TVs ou guarda-roupas e exiba informações ou efeitos extras sobre eles.

• Educação e pesquisa: Apoie o aprendizado e projetos acadêmicos fornecendo a estudantes e pesquisadores um conjunto de dados pronto para uso para praticar a detecção de objetos 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.

YAML do Dataset

A configuração para o conjunto de dados HomeObjects-3K é fornecida por meio de um arquivo YAML. Este arquivo descreve informações essenciais, como caminhos de imagem para diretórios de treino e validação, e a lista de classes de objetos. Você pode acessar o arquivo HomeObjects-3K.yaml diretamente do 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

Você pode treinar um modelo YOLO26n no conjunto de dados HomeObjects-3K por 100 épocas usando um tamanho de imagem de 640. Os exemplos abaixo mostram como começar. Para mais opções de treinamento e configurações detalhadas, confira 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)

Amostra de Imagens e Anotações

O conjunto de dados apresenta uma rica coleção de imagens de cenas internas que capturam uma ampla gama de objetos domésticos em ambientes naturais. Abaixo estão visuais de exemplo do conjunto de dados, cada um pareado com suas respectivas anotações para ilustrar as posições, escalas e relações espaciais dos objetos.

Licença 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 utilizares este dataset na tua investigação, por favor cita-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

Para que o conjunto de dados HomeObjects-3K foi projetado?

O HomeObjects-3K foi criado para avançar a compreensão de IA sobre cenas internas. Ele foca na detecção de itens domésticos do dia a dia — como camas, sofás, TVs e lâmpadas — tornando-o ideal para aplicações em casas inteligentes, robótica, realidade aumentada e sistemas de monitoramento interno. Seja treinando modelos para dispositivos de borda (edge) em tempo real ou para pesquisa acadêmica, este conjunto de dados fornece uma base equilibrada.

Quais categorias de objetos estão incluídas e por que foram selecionadas?

O conjunto de dados inclui 12 dos itens domésticos mais comuns: cama, sofá, cadeira, mesa, lâmpada, tv, laptop, guarda-roupa, janela, porta, planta em vaso e porta-retratos. Esses objetos foram escolhidos para refletir ambientes internos realistas e oferecer suporte a tarefas de múltiplos propósitos, como navegação robótica ou geração de cenas em aplicações de AR/VR.

Como posso treinar um modelo YOLO usando o conjunto de dados HomeObjects-3K?

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

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)

Este conjunto de dados é adequado para projetos de nível iniciante?

Com certeza. Com rotulagem limpa e anotações padronizadas compatíveis com o formato YOLO, o HomeObjects-3K é um excelente ponto de entrada para estudantes e entusiastas que desejam explorar a detecção de objetos no mundo real em cenários internos. Ele também escala bem para aplicações mais complexas em ambientes comerciais.

Onde posso encontrar o formato de anotação e o YAML?

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