HomeObjects-3K Veri Seti#

Ultralytics HomeObjects-3K veri seti, yatak, kanepe, sandalye, masa, lamba, tv, dizüstü bilgisayar, gardırop, pencere, kapı, saksı bitkisi ve fotoğraf çerçevesi olmak üzere 12 günlük ev eşyası sınıfında etiketlenmiş 2.689 görselden (2.285 eğitim ve 404 doğrulama) oluşan bir iç mekan object detection veri setidir. computer vision modellerini eğitmek ve benchmarking yapmak için tasarlanan bu veri seti; iç mekan sahne anlama, akıllı ev cihazları, robotics ve artırılmış gerçekliği hedeflemektedir.

Veri Kümesi Yapısı#

HomeObjects-3K veri seti, HomeObjects-3K.yaml yapılandırmasıyla tanımlanan iki önceden tanımlanmış alt kümeye ayrılmıştır:

Her görsel, object detection ve tracking boru hatlarına hazır bir şekilde Ultralytics YOLO formatında sınırlayıcı kutularla etiketlenmiştir.

Nesne Sınıfları#

Veri kümesi, iç mekan ev ortamlarında yaygın olarak bulunan mobilya, elektronik ve dekoratif ürünleri kapsayan 12 günlük nesne kategorisini içerir:

Uygulamalar#

HomeObjects-3K, araştırma ve ürün geliştirme alanlarında çeşitli iç mekan bilgisayarlı görü uygulamalarını destekler:

• İç mekan nesne tespiti: İç mekan sahnelerini gerçek zamanlı olarak anlamak amacıyla görsellerdeki yataklar, sandalyeler, lambalar ve dizüstü bilgisayarlar gibi yaygın ev eşyalarını bulup konumlandırmak için Ultralytics YOLO26 gibi modelleri kullan.

• Sahne düzeni ayrıştırma: Robotik ve akıllı ev sistemlerinin odaların nasıl düzenlendiğini (kapıların, pencerelerin ve mobilyaların nerede olduğunu) anlamasına yardımcı ol, böylece cihazlar güvenli bir şekilde gezinebilir ve çevreleriyle etkileşime girebilir.

• AR uygulamaları: Artırılmış gerçeklik uygulamalarındaki nesne tanıma özelliklerine güç ver. Örneğin, televizyonları veya gardıropları tespit et ve üzerlerine ek bilgi veya efektler yerleştir.

• Eğitim ve araştırma: Öğrencilere ve araştırmacılara, gerçek dünya örnekleriyle iç mekan nesne algılama pratiği yapmaları için kullanıma hazır bir veri kümesi sun.

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

Kendi iç mekan görsellerini etiketlemek, veri seti sürümlerini tarayıcında eğitmek ve yönetmek için tüm iş akışını Ultralytics Platform ile çalıştır.

Veri Kümesi YAML#

HomeObjects-3K.yaml dosyası, veri seti yapılandırmasını (eğitim ve doğrulama görsel yollarını ve nesne sınıflarının listesini) tanımlar. Bu dosya, https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/HomeObjects-3K.yaml adresindeki Ultralytics deposunda barındırılmaktadır.

# 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

Kullanım#

HomeObjects-3K veri seti üzerinde 640 görsel boyutunu kullanarak 100 epoch boyunca bir YOLO26n modeli eğitebilirsin. Veri seti (390 MB) ilk kullanımda otomatik olarak indirilir. Aşağıdaki örnekler nasıl başlayacağını göstermektedir. Daha fazla eğitim seçeneği ve ayrıntılı ayarlar için Training kılavuzunu incele.

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)

Örnek Görüntüler ve Ek Açıklamalar#

Aşağıdaki örnek, veri kümesinden bir iç mekan sahnesini sınırlayıcı kutu ek açıklamalarıyla birlikte gösterir; bu, modellerin algılamayı öğrendiği nesne konumlarını, ölçeklerini ve uzamsal ilişkileri ortaya koyar.

Lisans ve Atıf#

HomeObjects-3K, uygun atıfla açık kaynaklı araştırmaları ve ticari kullanımı destekleyen AGPL-3.0 License altında Ultralytics team tarafından geliştirilmiş ve yayınlanmıştır.

Bu veri kümesini araştırmanda kullanırsan lütfen belirtilen ayrıntıları 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}
}

SSS#

HomeObjects-3K veri seti ne için tasarlanmıştır?#

HomeObjects-3K, iç mekan sahnelerindeki yatak, kanepe, televizyon ve lamba gibi günlük ev eşyalarını algılamak için tasarlanmıştır. Bu durum, onu hem gerçek zamanlı uç cihaz dağıtımı hem de akademik araştırmalar için akıllı evlere, robotik sistemlere, artırılmış gerçekliğe ve iç mekan izleme sistemlerine çok uygun hale getirir.

HomeObjects-3K veri kümesinde kaç görsel ve sınıf var?#

HomeObjects-3K, toplamda 2.689 görsel içerir; bunların 2.285'i eğitim, 404'ü ise doğrulama içindir ve ayrı bir test kümesi yoktur. Her görsel, 12 nesne sınıfı genelinde etiketlenmiştir: yatak, kanepe, sandalye, masa, lamba, televizyon, dizüstü bilgisayar, gardırop, pencere, kapı, saksı bitkisi ve fotoğraf çerçevesi.

Hangi nesne kategorileri dahil edilmiştir ve neden seçilmişlerdir?#

Veri kümesi, en sık karşılaşılan 12 ev eşyasını içerir: yatak, kanepe, sandalye, masa, lamba, televizyon, dizüstü bilgisayar, gardırop, pencere, kapı, saksı bitkisi ve fotoğraf çerçevesi. Bu nesneler, gerçekçi iç mekan ortamlarını yansıtmak ve AR/VR uygulamalarında robotik navigasyon ve sahne anlama gibi görevleri desteklemek amacıyla seçilmiştir.

HomeObjects-3K veri kümesini nasıl indirebilirim?#

data="HomeObjects-3K.yaml" ile ilk kez eğitim yaptığında veri seti (390 MB) otomatik olarak indirilir; manuel bir adım gerekmez. Ultralytics görselleri ve etiketleri getirir ve bunları yerel veri setleri dizinine çıkartır. İlgili veri setlerine detection datasets overview sayfasından göz atabilirsin.

HomeObjects-3K veri setini kullanarak nasıl YOLO modeli eğitebilirim?#

YOLO26n gibi bir YOLO modelini eğitmek için HomeObjects-3K.yaml yapılandırma dosyasına ve pretrained model ağırlıklarına ihtiyacın vardır. Eğitim tek bir Python veya CLI komutuyla başlatılır ve hedef performans ile donanımın için epoch sayısı, görsel boyutu ve grup 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)

Bu veri seti başlangıç seviyesindeki projeler için uygun mu?#

Evet. Standartlaştırılmış YOLO formatındaki ek açıklamaları ve kompakt boyutu, HomeObjects-3K'yı iç mekan senaryolarında gerçek dünya nesne algılamasını keşfeden öğrenciler ve hobi kullanıcıları için güçlü bir başlangıç noktası haline getiriyor.

Açıklama formatını ve YAML'ı nerede bulabilirim?#

Dataset YAML bölümüne bakın. Bu format standart YOLO olup, çoğu nesne tespiti boru hattıyla uyumludur.