Link to this sectionНабор данных HomeObjects-3K#

Набор данных HomeObjects-3K — это специально подобранная коллекция изображений распространенных предметов домашнего обихода, предназначенная для обучения, тестирования и бенчмаркинга моделей компьютерного зрения. Содержащий ~3000 изображений и 12 различных классов объектов, этот набор данных идеально подходит для исследований и приложений в области понимания интерьеров, устройств «умного дома», робототехники и дополненной реальности.

Link to this sectionСтруктура набора данных#

Набор данных HomeObjects-3K организован в следующие подмножества:

• Обучающая выборка: Включает 2285 аннотированных изображений с такими предметами, как диваны, стулья, столы, лампы и многое другое.
• Валидационная выборка: Включает 404 аннотированных изображения, предназначенных для оценки производительности модели.

Каждое изображение размечено с использованием ограничивающих рамок в формате Ultralytics YOLO. Разнообразие освещения в помещениях, масштабов объектов и их ориентации делает его надежным для сценариев развертывания в реальных условиях.

Link to this sectionКлассы объектов#

Набор данных поддерживает 12 категорий повседневных предметов, охватывающих мебель, электронику и элементы декора. Эти классы были выбраны, чтобы отразить типичные предметы, встречающиеся в домашних условиях, и поддерживают такие задачи компьютерного зрения, как обнаружение объектов и отслеживание объектов.

Link to this sectionПрименение#

HomeObjects-3K открывает широкий спектр возможностей для приложений компьютерного зрения в помещениях, охватывая как научные исследования, так и разработку реальных продуктов:

• Обнаружение объектов в помещении: Используй такие модели, как Ultralytics YOLO26, для поиска и локализации распространенных домашних предметов, таких как кровати, стулья, лампы и ноутбуки, на изображениях. Это помогает в понимании обстановки помещений в режиме реального времени.

• Анализ планировки помещений: В робототехнике и системах «умного дома» это помогает устройствам понимать устройство комнат, где расположены такие объекты, как двери, окна и мебель, чтобы безопасно перемещаться и правильно взаимодействовать с окружающей средой.

• Приложения AR: Используй функции распознавания объектов в приложениях с дополненной реальностью. Например, обнаруживай телевизоры или шкафы и отображай на них дополнительную информацию или эффекты.

• Образование и исследования: Поддерживай обучение и академические проекты, предоставляя студентам и исследователям готовый к использованию набор данных для практики обнаружения объектов в помещении на примерах из реальной жизни.

• Инвентаризация дома и отслеживание активов: Автоматически обнаруживай и перечисляй домашние предметы на фотографиях или видео — это полезно для управления имуществом, организации пространства или визуализации мебели в недвижимости.

Link to this sectionYAML набора данных#

Конфигурация для набора данных HomeObjects-3K предоставляется через YAML-файл. В этом файле указана основная информация, такая как пути к изображениям для директорий обучения и валидации, а также список классов объектов. Ты можешь получить доступ к файлу HomeObjects-3K.yaml напрямую 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

Link to this sectionИспользование#

Ты можешь обучить модель YOLO26n на наборе данных HomeObjects-3K в течение 100 эпох с размером изображения 640. Примеры ниже показывают, как начать работу. Чтобы узнать больше о вариантах обучения и подробных настройках, ознакомься с руководством Обучение.

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 sectionПримеры изображений и аннотации#

Набор данных содержит богатую коллекцию изображений интерьеров, охватывающую широкий спектр предметов домашнего обихода в естественной обстановке. Ниже представлены примеры из набора данных, каждый из которых сопровождается соответствующими аннотациями, иллюстрирующими положение объектов, их масштаб и пространственные отношения.

Link to this sectionЛицензия и авторство#

HomeObjects-3K разработан и выпущен командой Ultralytics по лицензии AGPL-3.0, что поддерживает исследования с открытым исходным кодом и коммерческое использование при условии должного указания авторства.

Если ты используешь этот набор данных в своем исследовании, пожалуйста, процитируй его, используя указанные детали:

@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 sectionДля чего предназначен набор данных HomeObjects-3K?#

HomeObjects-3K создан для улучшения понимания искусственным интеллектом обстановки в помещениях. Он фокусируется на обнаружении повседневных домашних предметов, 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, обучаешь ли ты модели для устройств граничных вычислений в режиме реального времени или занимаешься академическими исследованиями, этот набор данных обеспечивает сбалансированную базу.

Link to this sectionКакие 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, чтобы отразить реалистичную внутреннюю среду и поддержать многоцелевые задачи, такие как навигация роботов или генерация сцен в приложениях AR/VR.

Link to this sectionКак я могу обучить модель YOLO, используя набор данных HomeObjects-3K?#

Для обучения модели YOLO, например YOLO26n, тебе понадобятся только файл конфигурации HomeObjects-3K.yaml и веса предобученной модели. Независимо от того, используешь ли ты Python или CLI, обучение можно запустить одной командой. Ты можешь настроить такие параметры, как количество эпох, размер изображения и размер пакета, в зависимости от желаемой производительности и характеристик твоего оборудования.

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 sectionПодходит ли этот набор данных для проектов начинающего уровня?#

Безусловно. Благодаря качественной разметке и стандартизированным аннотациям, совместимым с YOLO, HomeObjects-3K является отличной отправной точкой для студентов и энтузиастов, желающих изучить обнаружение объектов в реальных домашних сценариях. Он также хорошо подходит для более сложных приложений в коммерческой среде.

Link to this sectionГде я могу найти формат аннотаций и YAML-файл?#

Обратись к разделу Dataset YAML. Формат является стандартным для YOLO, что делает его совместимым с большинством конвейеров обнаружения объектов.