Link to this sectionНабор данных HomeObjects-3K#

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

Link to this sectionСтруктура набора данных#

Набор данных HomeObjects-3K организован в следующие подмножества:

• Обучающая выборка (Training Set): включает 2285 аннотированных изображений, на которых представлены 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 внутреннего освещения, масштаба объектов и ориентации делает этот набор данных надежным для реальных сценариев развертывания.

Link to this sectionКлассы объектов#

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

Link to this sectionПрименение#

HomeObjects-3K позволяет реализовать широкий спектр приложений в области компьютерного зрения в помещениях, охватывая как научные исследования, так и реальную разработку продуктов:

• Обнаружение объектов в помещениях: 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 сцен в помещении в режиме реального времени.

• Анализ планировки помещений: в робототехнике и системах «умного дома» это помогает устройствам понимать устройство комнат, расположение дверей, окон и мебели, что позволяет им безопасно перемещаться и правильно взаимодействовать с окружением.

• AR-приложения: расширяй функции распознавания объектов в приложениях, использующих дополненную реальность. 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 обнаружения объектов в помещениях на реальных примерах.

• Инвентаризация дома и отслеживание активов: автоматически обнаруживай и составляй списки домашних вещей на фотографиях или видео, что полезно для управления имуществом, организации пространства или визуализации мебели в недвижимости.

Link to this sectionYAML-файл набора данных#

Конфигурация набора данных HomeObjects-3K предоставляется через файл YAML. Этот файл содержит важную информацию, такую как пути к изображениям для тренировочных и валидационных директорий, 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, используя размер изображения 640. Примеры ниже показывают, как начать работу. Дополнительные параметры обучения и подробные настройки смотри в руководстве 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 аннотаций#

Набор данных содержит богатую коллекцию изображений внутренних сцен, охватывающих широкий спектр домашних предметов в естественной обстановке. Ниже представлены примеры визуализаций из набора данных, каждое из которых дополнено соответствующими аннотациями для иллюстрации расположения, масштаба и пространственных отношений объектов.

Link to this sectionЛицензия и атрибуция#

HomeObjects-3K разработан и выпущен командой Ultralytics под лицензией AGPL-3.0 License, поддерживающей open-source исследования и коммерческое использование при условии должной атрибуции.

Если ты используешь этот набор данных в своих исследованиях, пожалуйста, ссылайся на него, 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 sectionЧасто задаваемые вопросы (FAQ)#

Link to this sectionДля чего предназначен набор данных HomeObjects-3K?#

HomeObjects-3K создан для продвижения ИИ в понимании внутренних сцен помещений. Он фокусируется на обнаружении повседневных бытовых предметов — таких как кровати, диваны, телевизоры и лампы — что делает его идеальным для приложений в умных домах, робототехнике, дополненной реальности и системах внутреннего мониторинга. Независимо от того, обучаешь ли ты модели для периферийных устройств реального времени или для академических исследований, 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 быта: кровать, диван, стул, стол, лампа, телевизор, ноутбук, шкаф, окно, дверь, комнатное растение и фоторамка. Эти объекты были выбраны для отражения реалистичной домашней среды и для поддержки многоцелевых задач, таких как навигация роботов или генерация сцен в AR/VR-приложениях.

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

Чтобы обучить модель YOLO, такую как YOLO26n, тебе просто понадобится 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 параметры, такие как количество эпох, размер изображения и размер батча, в зависимости от целевой производительности и 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 начального уровня?#

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

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

Обратись к разделу YAML-файл набора данных. Используется стандартный формат YOLO, что делает его совместимым с большинством конвейеров обнаружения объектов.