Link to this sectionDataset HomeObjects-3K#

O dataset HomeObjects-3K é uma coleção selecionada de imagens de objetos domésticos comuns, projetada para treinar, testar e realizar benchmarking de modelos de visão computacional. Com ~3.000 imagens e 12 classes de objetos distintas, este dataset é ideal para pesquisa e aplicações em compreensão de ambientes internos, dispositivos domésticos inteligentes, robótica e realidade aumentada.

Link to this sectionEstrutura do Dataset#

O dataset HomeObjects-3K está organizado nos seguintes subconjuntos:

• Conjunto de Treinamento: Composto por 2.285 imagens anotadas com objetos como sofás, cadeiras, mesas, lâmpadas e muito mais.
• Conjunto de Validação: Inclui 404 imagens anotadas destinadas à avaliação do desempenho do modelo.

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

Link to this sectionClasses de Objetos#

O dataset suporta 12 categorias de objetos do cotidiano, cobrindo móveis, eletrônicos e itens decorativos. Estas classes são escolhidas para refletir itens comuns encontrados em ambientes domésticos internos e suportar tarefas de visão como detecção de objetos e rastreamento de objetos.

Link to this sectionAplicações#

O HomeObjects-3K possibilita uma ampla gama de aplicações em visão computacional interna, abrangendo tanto a pesquisa quanto o 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 auxilia na compreensão em tempo real de ambientes internos.

• Análise de layout de cena: Em robótica e sistemas domésticos inteligentes, isso ajuda os dispositivos a entenderem como os cômodos são organizados e onde objetos como portas, janelas e móveis estão, para que possam navegar com segurança e interagir adequadamente com o ambiente.

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

• Educação e pesquisa: Apoie o aprendizado e projetos acadêmicos fornecendo a estudantes e pesquisadores um dataset 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.

Link to this sectionYAML do Dataset#

A configuração para o dataset HomeObjects-3K é fornecida por meio de um arquivo YAML. Este arquivo descreve informações essenciais, como caminhos de imagem para os 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

Link to this sectionUso#

Você pode treinar um modelo YOLO26n no dataset 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, 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#

O dataset apresenta uma rica coleção de imagens de cenas internas que capturam uma ampla variedade de objetos domésticos em ambientes caseiros naturais. Abaixo estão exemplos visuais do dataset, cada um emparelhado com suas respectivas anotações para ilustrar posições, escalas e relações espaciais dos objetos.

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 criado para promover a compreensão da IA sobre cenas internas. Ele se concentra na detecção de itens domésticos do cotidiano—como camas, sofás, TVs e lâmpadas—tornando-o ideal para aplicações em casas inteligentes, robótica, realidade aumentada e sistemas de monitoramento interno. Seja você treinando modelos para dispositivos de borda em tempo real ou pesquisa acadêmica, este dataset fornece uma base equilibrada.

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

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

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

Para treinar um modelo YOLO como o YOLO26n, você precisará apenas 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 desempenho desejado e da sua 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)

Link to this sectionEste dataset é adequado para projetos de nível iniciante?#

Com certeza. Com rotulagem limpa e anotações padronizadas compatíveis com YOLO, o HomeObjects-3K é um excelente ponto de partida 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.

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.