Link to this sectionHomeObjects-3K Veri Seti#

The HomeObjects-3K dataset is a curated collection of common household object images, designed for training, testing, and benchmarking computer vision models. Featuring ~3,000 images and 12 distinct object classes, this dataset is ideal for research and applications in indoor scene understanding, smart home devices, robotics, and augmented reality.

Link to this sectionVeri Seti Yapısı#

HomeObjects-3K veri seti, aşağıdaki alt kümelere ayrılmıştır:

• Eğitim Kümesi: Koltuklar, sandalyeler, masalar, lambalar ve daha fazlası gibi nesneleri içeren 2.285 açıklamalı görüntüden oluşur.
• Doğrulama Kümesi: Model performansını değerlendirmek için ayrılmış 404 açıklamalı görüntü içerir.

Her görüntü, Ultralytics YOLO formatıyla uyumlu sınırlayıcı kutular kullanılarak etiketlenmiştir. İç mekan aydınlatmasındaki çeşitlilik, nesne ölçeği ve yönelimleri, onu gerçek dünya dağıtım senaryoları için sağlam kılar.

Link to this sectionNesne Sınıfları#

Veri seti, mobilya, elektronik ve dekoratif eşyaları kapsayan 12 günlük nesne kategorisini destekler. Bu sınıflar, kapalı ev ortamlarında karşılaşılan yaygın öğeleri yansıtacak şekilde seçilmiş olup nesne algılama ve nesne takibi gibi görü görevlerini destekler.

Link to this sectionUygulamalar#

HomeObjects-3K, hem araştırma hem de gerçek dünya ürün geliştirme süreçlerini kapsayan iç mekan bilgisayarlı görü alanında geniş bir uygulama yelpazesine olanak tanır:

• İç mekan nesne algılama: Görüntülerdeki yatak, sandalye, lamba ve dizüstü bilgisayar gibi yaygın ev eşyalarını bulmak ve konumlandırmak için Ultralytics YOLO26 gibi modelleri kullan. Bu, iç mekan sahnelerinin gerçek zamanlı anlaşılmasına yardımcı olur.

• Sahne düzeni analizi: Robotik ve akıllı ev sistemlerinde bu, cihazların odaların nasıl düzenlendiğini, kapı, pencere ve mobilya gibi nesnelerin nerede olduğunu anlamasına yardımcı olur, böylece güvenli bir şekilde hareket edebilir ve çevreleriyle düzgün bir şekilde etkileşime girebilirler.

• AR uygulamaları: Artırılmış gerçeklik kullanan uygulamalarda nesne tanıma özelliklerini güçlendir. Örneğin, TV'leri veya gardıropları tespit et ve üzerinde ekstra bilgiler veya efektler göster.

• Eğitim ve araştırma: Öğrencilere ve araştırmacılara iç mekan nesne algılama pratiği yapmaları için gerçek dünya örnekleriyle dolu, kullanıma hazır bir veri seti sunarak akademik projelere destek ol.

• Ev envanteri ve varlık takibi: Fotoğraflardaki veya videolardaki ev eşyalarını otomatik olarak algıla ve listele; bu, eşyaları yönetmek, alanları düzenlemek veya emlak sektöründe mobilyaları görselleştirmek için kullanışlıdır.

Link to this sectionVeri Seti YAML#

HomeObjects-3K veri seti için yapılandırma, bir YAML dosyası aracılığıyla sağlanır. Bu dosya, eğitim ve doğrulama dizinleri için görüntü yolları ve nesne sınıfları listesi gibi temel bilgileri özetler. HomeObjects-3K.yaml dosyasına doğrudan Ultralytics deposundan erişebilirsin: 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 sectionKullanım#

HomeObjects-3K veri seti üzerinde 640 görüntü boyutu kullanarak 100 epoch boyunca bir YOLO26n modeli eğitebilirsin. Aşağıdaki örnekler nasıl başlayacağını gösterir. Daha fazla eğitim seçeneği ve ayrıntılı ayarlar için Eğitim kılavuzuna göz at.

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 sectionÖrnek Görüntüler ve Açıklamalar#

Veri seti, doğal ev ortamlarındaki çok çeşitli ev eşyalarını yakalayan zengin bir iç mekan sahne görüntüleri koleksiyonuna sahiptir. Aşağıda, nesne konumlarını, ölçeklerini ve mekansal ilişkilerini göstermek için ilgili açıklamalarıyla eşleştirilmiş veri setinden örnek görseller yer almaktadır.

Link to this sectionLisans ve Atıf#

HomeObjects-3K, Ultralytics ekibi tarafından AGPL-3.0 Lisansı altında geliştirilmiş ve yayınlanmıştır; açık kaynaklı araştırmaları ve uygun atıfla ticari kullanımı destekler.

Bu veri setini araştırmanda kullanırsan, lütfen belirtilen detayları kullanarak atıfta bulun:

@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 sectionSSS#

Link to this sectionHomeObjects-3K veri seti ne için tasarlanmıştır?#

HomeObjects-3K, yapay zekanın iç mekan sahnelerini anlama yeteneğini geliştirmek için hazırlanmıştır. Yataklar, koltuklar, TV'ler ve lambalar gibi günlük ev eşyalarını algılamaya odaklanır, bu da onu akıllı evler, robotik, artırılmış gerçeklik ve iç mekan izleme sistemlerindeki uygulamalar için ideal kılar. İster gerçek zamanlı uç cihazlar için modeller eğitiyor ol, ister akademik araştırma yapıyor ol, bu veri seti dengeli bir temel sağlar.

Link to this sectionHangi nesne kategorileri dahil edilmiştir ve neden seçilmişlerdir?#

Veri seti, en sık karşılaşılan 12 ev eşyasını içerir: yatak, koltuk, sandalye, masa, lamba, tv, dizüstü bilgisayar, gardırop, pencere, kapı, saksı bitkisi ve fotoğraf çerçevesi. Bu nesneler, gerçekçi iç mekan ortamlarını yansıtmak ve robotik navigasyon veya AR/VR uygulamalarında sahne oluşturma gibi çok amaçlı görevleri desteklemek için seçilmiştir.

Link to this sectionHomeObjects-3K veri setini kullanarak nasıl YOLO modeli eğitebilirim?#

YOLO26n gibi bir YOLO modeli eğitmek için sadece HomeObjects-3K.yaml yapılandırma dosyasına ve önceden eğitilmiş model ağırlıklarına ihtiyacın var. İster Python ister CLI kullan, eğitim tek bir komutla başlatılabilir. Hedef performansına ve donanım kurulumuna bağlı olarak epoch sayısı, görüntü boyutu ve batch boyutu gibi parametreleri özelleştirebilirsin.

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 sectionBu veri seti başlangıç seviyesindeki projeler için uygun mu?#

Kesinlikle. Temiz etiketleme ve standart YOLO uyumlu açıklamaları ile HomeObjects-3K, iç mekan senaryolarında gerçek dünya nesne algılamayı keşfetmek isteyen öğrenciler ve hobi meraklıları için mükemmel bir başlangıç noktasıdır. Ayrıca ticari ortamlardaki daha karmaşık uygulamalar için de iyi bir ölçeklenebilirliğe sahiptir.

Link to this sectionAçıklama formatını ve YAML dosyasını nerede bulabilirim?#

Veri Seti YAML bölümüne başvur. Format standart YOLO'dur, bu da onu çoğu nesne algılama hattı ile uyumlu hale getirir.