HomeObjects-3K Veri Kümesi

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.

Veri Kümesi Yapısı

HomeObjects-3K veri kümesi şu alt kümelere ayrılmıştır:

• Eğitim Kümesi (Training Set): Kanepeler, sandalyeler, masalar, lambalar ve daha fazlası gibi nesneleri içeren 2.285 açıklamalı görüntüden oluşur.
• Doğrulama Kümesi (Validation Set): Model performansını değerlendirmek için belirlenmiş 404 açıklamalı görüntü içerir.

Her görüntü, Ultralytics YOLO formatı ile hizalanmış sınırlayıcı kutular (bounding boxes) kullanılarak etiketlenmiştir. İç mekan aydınlatması, nesne ölçeği ve yönelimlerindeki çeşitlilik, onu gerçek dünya dağıtım senaryoları için sağlam kılmaktadır.

Nesne Sınıfları

Veri kümesi; 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.

!!! Tip "HomeObjects-3K sınıfları"

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

Uygulamalar

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

• İç mekan nesne algılama: Görüntülerdeki yataklar, sandalyeler, lambalar ve dizüstü bilgisayarlar gibi yaygın ev eşyalarını bulmak ve konumlandırmak için Ultralytics YOLO26 gibi modelleri kullan. Bu, iç mekan sahnelerinin gerçek zamanlı olarak anlaşılmasına yardımcı olur.

• Sahne düzeni çözümleme: Robotik ve akıllı ev sistemlerinde bu, cihazların odaların nasıl düzenlendiğini, kapılar, pencereler ve mobilyalar gibi nesnelerin nerede olduğunu anlamasına yardımcı olur, böylece güvenli bir şekilde gezinebilir ve çevreleriyle düzgün bir şekilde etkileşime girebilirler.

• AR uygulamaları: Artırılmış gerçeklik kullanan uygulamalarda nesne tanıma özelliklerini güçlendir. Örneğin, televizyonları veya gardıropları algıla ve üzerlerinde ek bilgiler veya efektler göster.

• Eğitim ve araştırma: Öğrencilere ve araştırmacılara gerçek dünya örnekleriyle iç mekan nesne algılama pratiği yapmaları için kullanıma hazır bir veri kümesi sunarak akademik projeleri ve öğrenmeyi destekle.

• 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 yararlıdır.

Veri Kümesi YAML Dosyası

HomeObjects-3K veri kümesinin yapılandırması bir YAML dosyası aracılığıyla sağlanır. Bu dosya, eğitim ve doğrulama dizinleri için görüntü yolları ve nesne sınıflarının listesi gibi temel bilgileri ana hatlarıyla belirtir. 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

Kullanım

640 görüntü boyutu kullanarak HomeObjects-3K veri kümesi üzerinde 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)

Örnek Görüntüler ve Ek Açıklamalar

Veri kümesi, doğal ev ortamlarındaki çok çeşitli ev eşyalarını yakalayan zengin bir iç mekan sahne görüntüsü koleksiyonuna sahiptir. Aşağıda, nesne konumlarını, ölçeklerini ve mekansal ilişkilerini göstermek için karşılık gelen açıklamalarıyla eşleştirilmiş veri kümesinden örnek görseller yer almaktadır.

Lisans ve Atıf

HomeObjects-3K, Ultralytics ekibi tarafından AGPL-3.0 Lisansı altında geliştirilmiş ve yayınlanmıştır; uygun atıf ile açık kaynak araştırmayı ve ticari kullanımı destekler.

Bu veri kümesini araştırmanda kullanıyorsan, 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}
}

SSS

HomeObjects-3K veri kümesi ne için tasarlanmıştır?

HomeObjects-3K, yapay zekanın iç mekan sahnelerini anlama yeteneğini geliştirmek için hazırlanmıştır. Yataklar, kanepeler, televizyonlar ve lambalar gibi gündelik ev eşyalarını algılamaya odaklanarak akıllı evler, robotik, artırılmış gerçeklik ve iç mekan izleme sistemlerindeki uygulamalar için idealdir. İster gerçek zamanlı uç cihazlar için modeller eğitiyor ol, ister akademik araştırma yapıyor ol, bu veri kümesi dengeli bir temel sağlar.

Hangi nesne kategorileri dahil edilmiştir ve neden seçilmişlerdir?

Veri kümesi en yaygın karşılaşılan 12 ev eşyasını içerir: yatak, kanepe, 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.

HomeObjects-3K veri kümesini kullanarak nasıl bir YOLO modeli eğitebilirim?

YOLO26n gibi bir YOLO modelini eğitmek için sadece HomeObjects-3K.yaml yapılandırma dosyasına ve önceden eğitilmiş model ağırlıklarına ihtiyacın olacak. İster Python ister CLI kullanıyor ol, eğitim tek bir komutla başlatılabilir. Hedef performansına ve donanım kurulumuna bağlı olarak epoch sayısı, görüntü boyutu ve toplu iş boyutu (batch size) 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 kümesi başlangıç seviyesindeki projeler için uygun mu?

Kesinlikle. Temiz etiketleme ve standart YOLO uyumlu açıklamalar ile HomeObjects-3K, iç mekan senaryolarında gerçek dünya nesne algılamasını keşfetmek isteyen öğrenciler ve hobiciler için mükemmel bir başlangıç noktasıdır. Ayrıca ticari ortamlardaki daha karmaşık uygulamalar için de iyi bir şekilde ölçeklenir.

Açıklama formatını ve YAML dosyasını nerede bulabilirim?

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