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 Kümesi Yapısı#

HomeObjects-3K veri seti aşağıdaki alt kümelere ayrılmıştır:

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

Her görüntü, Ultralytics YOLO formatına uygun sınırlayıcı kutular kullanılarak etiketlenmiştir. İç mekan aydınlatması, nesne ölçeği ve yönelim çeşitliliği, 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, iç mekan ev ortamlarında karşılaşılan yaygın öğeleri yansıtacak şekilde seçilmiştir ve nesne tespiti ile nesne takibi gibi görü görevlerini destekler.

Link to this sectionUygulamalar#

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

• İç mekan nesne tespiti: 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 ayrıştırma: Robotik ve akıllı ev sistemlerinde bu, cihazların odaların nasıl düzenlendiğini, kapı, pencere ve mobilya gibi nesnelerin nerede olduğunu anlamalarına yardımcı olur, böylece güvenli bir şekilde gezinebilir ve çevreleriyle düzgün bir şekilde etkileşime girebilirler.

• AR uygulamaları: Artırılmış gerçeklik kullanan uygulamalarda nesne tanıma özelliklerine güç ver. Örneğin, TV'leri veya gardıropları tespit et ve üzerlerinde ekstra bilgiler veya efektler göster.

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

• 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.

Link to this sectionVeri Kümesi YAML#

HomeObjects-3K veri seti için yapılandırma 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 ulaşabilirsin: 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 setinde 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 Ek Açıklamalar#

Veri seti, doğal ev ortamlarındaki çok çeşitli ev eşyalarını yakalayan zengin bir iç mekan sahne görüntüleri koleksiyonuna sahiptir. Aşağıda, nesne konumlarını, ölçeklerini ve uzamsal 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; 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 sahnelerine yönelik yapay zeka anlayışını geliştirmek için hazırlanmıştır. Yataklar, kanepeler, TV'ler ve lambalar gibi günlük ev eşyalarını tespit etmeye odaklanır; bu da onu akıllı evler, robotik, artırılmış gerçeklik ve iç mekan izleme sistemlerindeki uygulamalar için ideal kılar. İster gerçek zamanlı uç cihazlar ister akademik araştırmalar için modeller eğitiyor ol, bu veri seti dengeli bir temel sağlar.

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

Veri seti, 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.

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 olacak. İster Python ister CLI kullanıyor ol, eğitim tek bir komutla başlatılabilir. Hedef performansına ve donanım kurulumuna bağlı olarak epoch'lar, görüntü 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?#

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

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.