Набор данных HomeObjects-3K

Набор данных HomeObjects-3K представляет собой тщательно отобранную коллекцию изображений обычных домашних предметов, предназначенную 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.

Watch: How to Train Ultralytics YOLO26 on HomeObjects-3K Dataset | Detection, Validation & ONNX Export 🚀

Структура набора данных

Набор данных HomeObjects-3K организован в следующие подмножества:

Обучающая выборка (Training Set): Состоит из 2285 аннотированных изображений, включающих такие объекты, как диваны, стулья, столы, лампы и многое другое.
Валидационная выборка (Validation Set): Включает 404 аннотированных изображения, предназначенных для оценки производительности модели.

Каждое изображение размечено с использованием ограничивающих рамок (bounding boxes), соответствующих формату Ultralytics YOLO. Разнообразие освещения внутри помещений, масштабов объектов и их ориентации делает этот набор данных надежным для реальных сценариев развертывания.

Классы объектов

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

!!! Tip "Классы 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

Приложения

HomeObjects-3K открывает широкий спектр возможностей для применения в компьютерном зрении для интерьеров, охватывая как научные исследования, так и разработку коммерческих продуктов:

Обнаружение объектов в помещении: Используй модели, такие как Ultralytics YOLO26, чтобы находить и определять местоположение обычных домашних предметов, таких как кровати, стулья, лампы и ноутбуки на изображениях. Это помогает в понимании сцен внутри помещений в режиме реального времени.
Разбор планировки помещения: 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 с окружением.
Приложения AR: Обеспечивай работу функций распознавания объектов в приложениях дополненной реальности. Например, обнаруживай телевизоры или шкафы, чтобы отображать 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 в обнаружении объектов в помещениях на примерах из реальной жизни.
Инвентаризация дома и отслеживание активов: Автоматически обнаруживай и составляй списки предметов домашнего обихода на фотографиях или видео — это полезно для управления вещами, организации пространства или визуализации мебели в недвижимости.

YAML набора данных

Конфигурация набора данных HomeObjects-3K предоставляется через файл YAML. Этот файл содержит важную информацию, такую как пути к изображениям для каталогов 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/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

Ты можешь обучить модель YOLO26n на наборе данных HomeObjects-3K в течение 100 эпох, используя размер изображения 640. Примеры ниже показывают, как начать работу. Для получения дополнительных вариантов обучения и подробных настроек ознакомься с руководством Обучение.

Пример обучения

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)

Примеры изображений и аннотаций

Набор данных включает в себя богатую коллекцию изображений сцен внутри помещений, которые фиксируют широкий спектр домашних предметов в естественной домашней обстановке. Ниже представлены примеры изображений из набора данных, каждое из которых дополнено соответствующими аннотациями для демонстрации положения объектов, их масштаба и пространственных взаимосвязей.

Пример набора данных HomeObjects-3K с предметами домашнего обихода

Лицензия и атрибуция

HomeObjects-3K разработан и выпущен командой Ultralytics под лицензией AGPL-3.0, поддерживающей исследования с открытым исходным кодом и коммерческое использование при условии надлежащего указания авторства.

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

Цитата

@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}
}

Часто задаваемые вопросы (FAQ)

Для чего предназначен набор данных HomeObjects-3K?

HomeObjects-3K создан для улучшения понимания ИИ сцен внутри помещений. Он фокусируется на обнаружении повседневных домашних предметов — таких как кровати, диваны, телевизоры и лампы, — что делает его идеальным для приложений в системах «умного дома», робототехнике, дополненной реальности и системах мониторинга помещений. Независимо от того, обучаешь ли ты модели для устройств граничных вычислений 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 домашних предметов: кровать, диван, стул, стол, лампа, телевизор, ноутбук, шкаф, окно, дверь, комнатное растение и фоторамка. Эти объекты были выбраны для отражения реалистичной домашней обстановки и поддержки многоцелевых задач, таких как навигация роботов или генерация сцен в AR/VR-приложениях.

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

Чтобы обучить модель 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 (batch size), в зависимости от целевой производительности и конфигурации твоего оборудования.

Пример обучения

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)

Подходит ли этот набор данных для проектов начального уровня?

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

Где я могу найти формат аннотаций и YAML?

Обратись к разделу Dataset YAML. Используется стандартный формат YOLO, что делает его совместимым с большинством конвейеров обнаружения объектов.

Contributors

GLglenn-jocher⁴ RIRizwanMunawar³ RAraimbekovm¹

Created 10 мая 2025 г.Updated 2 месяца назад