Link to this sectionНабор данных HomeObjects-3K#

Датасет Ultralytics HomeObjects-3K — это датасет для обнаружения объектов в помещениях, состоящий из 2689 изображений (2285 для обучения и 404 для валидации) с разметкой по 12 повседневным бытовым классам: кровать, диван, стул, стол, лампа, телевизор, ноутбук, шкаф, окно, дверь, комнатное растение и фоторамка. Он создан для обучения и бенчмаркинга моделей компьютерного зрения и ориентирован на понимание сцен внутри помещений, устройства умного дома, робототехнику и дополненную реальность.

Link to this sectionСтруктура набора данных#

Датасет HomeObjects-3K разделен на два предопределенных подмножества, заданных конфигурацией HomeObjects-3K.yaml:

Каждое изображение размечено ограничивающими прямоугольниками (bbox) в формате Ultralytics YOLO, готовом для конвейеров обнаружения объектов и отслеживания.

Link to this sectionКлассы объектов#

Датасет охватывает 12 повседневных категорий объектов, включая мебель, электронику и предметы декора, часто встречающиеся в домашних условиях:

Link to this sectionПрименение#

HomeObjects-3K поддерживает ряд приложений компьютерного зрения в помещениях, от исследований до разработки продуктов:

• Обнаружение объектов в помещении: Используй такие модели, как Ultralytics YOLO26, чтобы находить и определять местоположение обычных домашних предметов, таких как кровати, стулья, лампы и ноутбуки, на изображениях для анализа сцен в реальном времени.

• Анализ планировки сцены: Помогай робототехнике и системам умного дома понимать устройство комнат — где находятся двери, окна и мебель — чтобы устройства могли безопасно перемещаться и взаимодействовать с окружением.

• AR-приложения: Расширяй возможности распознавания объектов в приложениях дополненной реальности. Например, обнаруживай телевизоры или шкафы и накладывай на них дополнительную информацию или эффекты.

• Образование и исследования: Предоставь студентам и исследователям готовый датасет для практики обнаружения объектов в помещениях 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.

Чтобы разметить собственные изображения интерьеров, обучать модели и управлять версиями датасета в браузере, используй полный рабочий процесс с Ultralytics Platform.

Link to this sectionYAML набора данных#

Файл HomeObjects-3K.yaml определяет конфигурацию датасета — пути к изображениям для обучения и валидации, а также список классов объектов. Он поддерживается в репозитории 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 датасете HomeObjects-3K в течение 100 эпох с размером изображения 640. Датасет (390 МБ) загружается автоматически при первом использовании. Примеры ниже показывают, как начать. Чтобы узнать больше о вариантах обучения и детальных настройках, ознакомься с руководством по обучению.

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#

На примере ниже показана сцена в помещении из датасета с аннотациями в виде ограничивающих прямоугольников, иллюстрирующая положения, масштабы объектов и пространственные отношения, которые модели учатся обнаруживать.

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 разработан для обнаружения повседневных бытовых предметов, таких как кровати, диваны, телевизоры и лампы, в помещениях. Это делает его подходящим для систем умного дома, робототехники, дополненной реальности и систем мониторинга интерьеров, как для развертывания на граничных устройствах (edge) в реальном времени, так и для академических исследований.

Link to this sectionСколько изображений и классов в датасете HomeObjects-3K?#

HomeObjects-3K содержит 2689 изображений всего: 2285 для обучения и 404 для валидации, без отдельного тестового набора. Каждое изображение размечено по 12 классам объектов: кровать, диван, стул, стол, лампа, телевизор, ноутбук, шкаф, окно, дверь, комнатное растение и фоторамка.

Link to this sectionКакие категории объектов включены и почему они были выбраны?#

Датасет включает 12 наиболее часто встречающихся бытовых предметов: кровать, диван, стул, стол, лампа, телевизор, ноутбук, шкаф, окно, дверь, комнатное растение и фоторамка. Эти объекты были выбраны для отражения реалистичной обстановки в помещениях и поддержки таких задач, как навигация роботов и понимание сцены в приложениях AR/VR.

Link to this sectionКак скачать датасет HomeObjects-3K?#

Датасет (390 МБ) загружается автоматически при первом запуске обучения с параметром data="HomeObjects-3K.yaml" — никакие ручные действия не требуются. Ultralytics извлекает изображения и метки и распаковывает их в твою локальную директорию датасетов. Ты можешь просмотреть связанные датасеты в обзоре датасетов для обнаружения.

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

Чтобы обучить модель YOLO, например YOLO26n, тебе понадобится файл конфигурации HomeObjects-3K.yaml и веса предобученной модели. Обучение запускается одной командой Python или CLI, и ты можешь настроить параметры, такие как эпохи, размер изображения и размер пакета (batch size), для достижения желаемой производительности и адаптации под твое оборудование.

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?#

Да. Стандартизированные аннотации в формате YOLO и компактный размер делают HomeObjects-3K отличной отправной точкой для студентов и энтузиастов, изучающих обнаружение объектов в реальных сценариях внутри помещений.

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.