Набор данных 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.

212 classes769.9 MBSep 2, 2026

bedsofachairtable+8

object-detectionindoorhome-objects+1

Набор данных Ultralytics HomeObjects-3K предназначен для обнаружения объектов в помещениях и содержит 2 689 изображений (2 285 обучающих и 404 валидационных), размеченных по 12 повседневным категориям предметов домашнего обихода: кровать, диван, стул, стол, лампа, телевизор, ноутбук, шкаф, окно, дверь, растение в горшке и фоторамка. Набор создан для обучения и сравнительной оценки моделей компьютерного зрения и ориентирован на понимание сцен в помещениях, устройства умного дома, робототехнику и дополненную реальность.

Структура набора данных#

Набор данных HomeObjects-3K разделён на два заранее определённых подмножества, заданных в конфигурации HomeObjects-3K.yaml:

На каждом изображении ограничивающие рамки размечены в формате Ultralytics YOLO, готовом для конвейеров обнаружения объектов и отслеживания.

Классы объектов#

Набор данных охватывает 12 распространённых категорий предметов мебели, электроники и декора, встречающихся в жилых помещениях:

Применение#

HomeObjects-3K подходит для самых разных задач компьютерного зрения в помещениях — как в исследованиях, так и при разработке продуктов:

• Обнаружение объектов в помещениях: используй модели, например Ultralytics YOLO26, чтобы находить на изображениях обычные предметы домашнего обихода — кровати, стулья, лампы и ноутбуки — и анализировать сцены в помещениях в реальном времени.

• Анализ планировки помещений: помогай роботам и системам умного дома понимать расположение комнат — где находятся двери, окна и мебель, — чтобы устройства могли безопасно перемещаться и взаимодействовать с окружающей средой.

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

• Обучение и исследования: предоставь студентам и исследователям готовый набор данных для отработки обнаружения объектов в помещениях на примерах из реального мира.

• Учёт имущества и отслеживание активов: автоматически обнаруживай и перечисляй предметы домашнего обихода на фото и видео. Это полезно для учёта вещей, организации пространства или визуализации мебели в недвижимости.

Чтобы размечать собственные изображения помещений, обучать модели и управлять версиями наборов данных в браузере, выполни весь рабочий процесс на платформе Ultralytics.

Файл YAML набора данных#

Файл HomeObjects-3K.yaml задаёт конфигурацию набора данных: пути к обучающим и валидационным изображениям и список классов объектов. Он находится 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#

Можно обучить модель YOLO26n на наборе данных HomeObjects-3K в течение 100 эпох с размером изображения 640. Набор данных (390 MB) автоматически загружается при первом использовании. Примеры ниже помогут начать работу. Дополнительные параметры обучения и подробные настройки см. в руководстве по обучению.

from ultralytics import YOLO

# Загрузи предварительно обученную модель
model = YOLO("yolo26n.pt")

# Обучи модель на наборе данных HomeObjects-3K
model.train(data="HomeObjects-3K.yaml", epochs=100, imgsz=640)

Примеры изображений и аннотаций#

Ниже показана сцена из помещения с разметкой ограничивающими рамками. На примере видны положения и размеры объектов, а также их взаимное расположение — именно такие признаки учатся обнаруживать модели.

Лицензия и указание авторства#

Набор данных HomeObjects-3K создан и опубликован командой Ultralytics по лицензии AGPL-3.0, которая поддерживает исследования с открытым исходным кодом и коммерческое использование при условии указания авторства.

Если ты используешь этот набор данных в исследовании, укажи его в списке источников, используя приведенные 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#