Link to this sectionHomeObjects-3K Veri Seti#

The Ultralytics HomeObjects-3K dataset is an indoor object detection dataset of 2,689 images (2,285 training and 404 validation) labeled across 12 everyday household classes — bed, sofa, chair, table, lamp, tv, laptop, wardrobe, window, door, potted plant, and photo frame. Built for training and benchmarking computer vision models, it targets indoor scene understanding, smart home devices, robotics, and augmented reality.

Link to this sectionVeri Kümesi Yapısı#

HomeObjects-3K veri kümesi, HomeObjects-3K.yaml yapılandırması ile tanımlanan iki önceden belirlenmiş alt kümeye ayrılmıştır:

Each image is labeled with bounding boxes in the Ultralytics YOLO format, ready for object detection and tracking pipelines.

Link to this sectionNesne Sınıfları#

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

Link to this sectionUygulamalar#

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

• İç mekan nesne algılama: İç mekan sahnelerini gerçek zamanlı olarak anlamak amacıyla görsellerdeki yatak, sandalye, lamba ve dizüstü bilgisayar gibi yaygın ev eşyalarını bulmak ve 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 uygulamalarında nesne tanıma özelliklerini güçlendir. Örneğin, televizyonları veya gardıropları algıla ve üzerlerine ekstra 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, eğitmek ve veri kümesi sürümlerini tarayıcında yönetmek için tüm iş akışını Ultralytics Platform ile çalıştır.

Link to this sectionVeri Kümesi YAML#

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

# 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 kümesi üzerinde 640 görsel boyutu kullanarak 100 epoch boyunca bir YOLO26n modeli eğitebilirsin. Veri kümesi (390 MB), ilk kullanımda otomatik olarak indirilir. 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 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.

Link to this sectionLisans ve Atıf#

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

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}
}

Link to this sectionSSS#

Link to this sectionHomeObjects-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.

Link to this sectionHomeObjects-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.

Link to this sectionHangi 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.

Link to this sectionHomeObjects-3K veri kümesini nasıl indirebilirim?#

Veri kümesi (390 MB), data="HomeObjects-3K.yaml" ile ilk kez eğitim yaptığında otomatik olarak indirilir; manuel bir işlem gerekmez. Ultralytics görselleri ve etiketleri getirir ve bunları yerel veri kümesi dizinine açar. İlgili veri kümelerine nesne algılama veri kümeleri genel bakış bölümünden göz atabilirsin.

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

YOLO26n gibi bir YOLO modeli eğitmek için HomeObjects-3K.yaml yapılandırma dosyasına ve önceden eğitilmiş model ağırlıklarına ihtiyacın vardır. Eğitim tek bir Python veya CLI komutuyla başlatılır ve hedef performansın ile donanımın için epoch, görsel boyutu ve yığın 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?#

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.

Link to this sectionAçıklama formatını ve YAML'ı nerede bulabilirim?#

Veri Seti YAML bölümüne başvur. Format standart YOLO'dur ve bu da onu çoğu nesne tespiti hattıyla uyumlu hale getirir.