Набор данных HomeObjects-3K

Набор данных HomeObjects-3K представляет собой тщательно отобранную коллекцию изображений обычных бытовых предметов, предназначенную для обучения, тестирования и бенчмаркинга моделей компьютерного зрения. Этот набор данных, содержащий около 3000 изображений и 12 различных классов объектов, идеально подходит для исследований и приложений в области понимания сцен в помещениях, устройств умного дома, робототехники и дополненной реальности.

Смотреть: Как обучить Ultralytics YOLO11 на наборе данных HomeObjects-3K | Обнаружение, валидация и экспорт в ONNX 🚀

Структура набора данных

Набор данных HomeObjects-3K организован в следующие подмножества:

• Обучающий набор: Состоит из 2285 аннотированных изображений с объектами, такими как диваны, стулья, столы, лампы и многое другое.
• Набор для валидации: Включает 404 размеченных изображения, предназначенных для оценки производительности модели.

Каждое изображение помечено с использованием ограничивающих рамок, выровненных по формату Ultralytics YOLO. Разнообразие внутреннего освещения, масштаба объектов и ориентации делает его надежным для реальных сценариев развертывания.

Классы объектов

Набор данных поддерживает 12 категорий повседневных объектов, охватывающих мебель, электронику и предметы декора. Эти классы выбраны для отражения общих предметов, встречающихся в домашних условиях, и поддержки задач компьютерного зрения, таких как обнаружение объектов и отслеживание объектов.

Приложения

HomeObjects-3K обеспечивает широкий спектр применений в области компьютерного зрения в помещениях, охватывая как исследования, так и разработку реальных продуктов:

• Обнаружение объектов в помещениях: Используйте модели, такие как Ultralytics YOLO11, для поиска и определения местоположения обычных предметов домашнего обихода, таких как кровати, стулья, лампы и ноутбуки на изображениях. Это помогает в понимании сцен в помещении в режиме реального времени.

• Анализ структуры сцены: В робототехнике и системах умного дома это помогает устройствам понимать, как устроены комнаты, где находятся такие объекты, как двери, окна и мебель, чтобы они могли безопасно перемещаться и правильно взаимодействовать со своей средой.

• AR-приложения: Обеспечивают работу функций распознавания объектов в приложениях, использующих дополненную реальность. Например, обнаруживайте телевизоры или шкафы и показывайте дополнительную информацию или эффекты на них.

• Образование и исследования: Поддержка образовательных и научных проектов, предоставляя студентам и исследователям готовый к использованию набор данных для практики обнаружения объектов в помещениях с реальными примерами.

• Инвентаризация дома и отслеживание активов: Автоматическое обнаружение и перечисление предметов домашнего обихода на фотографиях или видео, полезно для управления вещами, организации пространства или визуализации мебели в сфере недвижимости.

YAML-файл набора данных

Конфигурация для набора данных HomeObjects-3K предоставляется через YAML-файл. Этот файл содержит основную информацию, такую как пути к изображениям для каталогов обучения и проверки, а также список классов объектов. Вы можете получить доступ к HomeObjects-3K.yaml файл непосредственно из репозитория Ultralytics по адресу: 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

Использование

Вы можете обучить модель YOLO11n на наборе данных HomeObjects-3K в течение 100 эпох, используя размер изображения 640. В примерах ниже показано, как начать работу. Дополнительные параметры обучения и подробные настройки см. в руководстве по обучению.

from ultralytics import YOLO

# Load pretrained model
model = YOLO("yolo11n.pt")

# Train the model on HomeObjects-3K dataset
model.train(data="HomeObjects-3K.yaml", epochs=100, imgsz=640)

yolo detect train data=HomeObjects-3K.yaml model=yolo11n.pt epochs=100 imgsz=640

Примеры изображений и аннотации

Набор данных содержит богатую коллекцию изображений внутренних сцен, которые запечатлевают широкий спектр предметов домашнего обихода в естественной домашней обстановке. Ниже представлены образцы визуальных материалов из набора данных, каждый из которых соединен с соответствующими аннотациями для иллюстрации положения объектов, масштабов и пространственных взаимосвязей.

Лицензия и атрибуция

HomeObjects-3K разработан и выпущен командой Ultralytics под лицензией AGPL-3.0, поддерживая исследования с открытым исходным кодом и коммерческое использование с надлежащим указанием авторства.

Если вы используете этот набор данных в своих исследованиях, пожалуйста, сошлитесь на него, используя указанные данные:

@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/homeobject-3k/},
    version = {1.0.0},
    year = {2025}
}

Часто задаваемые вопросы

Для чего предназначен набор данных HomeObjects-3K?

HomeObjects-3K разработан для продвижения понимания ИИ внутренних сцен. Он фокусируется на обнаружении повседневных предметов домашнего обихода, таких как кровати, диваны, телевизоры и лампы, что делает его идеальным для приложений в умных домах, робототехнике, дополненной реальности и системах мониторинга интерьера. Независимо от того, тренируете ли вы модели для периферийных устройств в реальном времени или для академических исследований, этот набор данных обеспечивает сбалансированную основу.

Какие категории объектов включены и почему они были выбраны?

Набор данных включает 12 наиболее часто встречающихся предметов домашнего обихода: кровать, диван, стул, стол, лампа, телевизор, ноутбук, шкаф, окно, дверь, комнатное растение и фоторамка. Эти объекты были выбраны для отражения реалистичной обстановки в помещении и для поддержки многоцелевых задач, таких как роботизированная навигация или создание сцен в приложениях AR/VR.

Как я могу обучить модель YOLO, используя набор данных HomeObjects-3K?

Чтобы обучить модель YOLO, такую как YOLO11n, вам понадобится только HomeObjects-3K.yaml файл конфигурации и Предварительно обученная модель weights. Независимо от того, используете ли вы python или CLI, обучение можно запустить одной командой. Вы можете настроить такие параметры, как количество эпох, размер изображения и размер пакета в зависимости от целевой производительности и конфигурации оборудования.

from ultralytics import YOLO

# Load pretrained model
model = YOLO("yolo11n.pt")

# Train the model on HomeObjects-3K dataset
model.train(data="HomeObjects-3K.yaml", epochs=100, imgsz=640)

yolo detect train data=HomeObjects-3K.yaml model=yolo11n.pt epochs=100 imgsz=640

Подходит ли этот набор данных для проектов начального уровня?

Безусловно. Благодаря чистой разметке и стандартизированным аннотациям, совместимым с YOLO, HomeObjects-3K является отличной отправной точкой для студентов и любителей, которые хотят изучить обнаружение объектов в реальных условиях в помещениях. Он также хорошо масштабируется для более сложных приложений в коммерческих средах.

Где я могу найти формат аннотаций и YAML?

См. раздел Dataset YAML. Формат является стандартным для YOLO, что обеспечивает совместимость с большинством конвейеров обнаружения объектов.

📅 Создано 4 месяца назад ✏️ Обновлено 2 месяца назад

Комментарии