Датасет HomeObjects-3K#

2,686

HomeObjects-3K

ultralytics

publicDetect

HomeObjects-3K is an Ultralytics indoor detection benchmark spanning twelve furniture, appliance, opening, and decor classes. Images cover beds, sofas, chairs, tables, doors, windows, televisions, lamps, and other household objects across varied rooms and viewpoints.

112 classes769.9 MBSep 2, 2026

bedsofachairtable+8

object-detectionindoorhome-objects+1

Датасет Ultralytics HomeObjects-3K для детектирования объектов в помещениях содержит 2 689 изображений (2 285 для обучения и 404 для валидации), размеченных по 12 повседневным категориям предметов домашнего обихода: кровать, диван, стул, стол, лампа, телевизор, ноутбук, шкаф, окно, дверь, комнатное растение и фоторамка. Созданный для обучения и тестирования моделей компьютерного зрения, он предназначен для понимания сцен в помещениях, устройств умного дома, робототехники и дополненной реальности.

Структура датасета#

Датасет HomeObjects-3K разделён на два заранее определённых поднабора, заданных конфигурацией HomeObjects-3K.yaml:

Каждое изображение размечено ограничивающими рамками в формате Ultralytics YOLO, готовом для конвейеров обнаружения объектов и отслеживания.

Классы объектов#

Датасет охватывает 12 категорий повседневных объектов, включая мебель, электронику и декоративные предметы, обычно встречающиеся в жилых помещениях:

Применения#

HomeObjects-3K поддерживает широкий спектр приложений компьютерного зрения для помещений в исследовательской и продуктовой разработке:

• Обнаружение объектов в помещениях: используй модели вроде Ultralytics YOLO26, чтобы находить и локализовать распространённые предметы домашнего обихода, такие как кровати, стулья, лампы и ноутбуки, на изображениях для анализа сцен в помещениях в реальном времени.

• Разбор структуры сцены: помогай робототехническим системам и системам умного дома понимать планировку комнат — где находятся двери, окна и мебель, — чтобы устройства могли безопасно перемещаться и взаимодействовать с окружающей средой.

• Приложения дополненной реальности: обеспечивай функции распознавания объектов в приложениях дополненной реальности. Например, обнаруживай телевизоры или шкафы и накладывай на них дополнительную информацию или эффекты.

• Образование и исследования: предоставляй студентам и исследователям готовый датасет для практики обнаружения объектов в помещениях на примерах из реального мира.

• Инвентаризация дома и отслеживание имущества: автоматически обнаруживай и перечисляй предметы домашнего обихода на фотографиях или видео — это полезно для управления имуществом, организации пространства или визуализации мебели в объектах недвижимости.

Чтобы размечать собственные изображения помещений, обучать модели и управлять версиями датасетов в браузере, запускай полный рабочий процесс с помощью Ultralytics Platform.

YAML датасета#

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

Использование#

Ты можешь обучить модель YOLO26n на датасете HomeObjects-3K в течение 100 эпох с размером изображения 640. Датасет (390 МБ) автоматически загружается при первом использовании. В примерах ниже показано, как начать работу. Дополнительные варианты 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)

Примеры изображений и аннотаций#

Ниже показан пример сцены в помещении из датасета с аннотациями ограничивающих рамок, иллюстрирующий положения, размеры и пространственные взаимосвязи объектов, которые модели учатся обнаруживать.

Лицензия и указание авторства#

HomeObjects-3K разработан и выпущен командой Ultralytics по лицензии AGPL-3.0, поддерживающей исследования с открытым исходным кодом и коммерческое использование при указании авторства.

Если ты используешь этот датасет в своих исследованиях, пожалуйста, процитируй его, указав приведённые сведения:

@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#