HomeObjects-3K Veri Seti#

2,686

HomeObjects-3K

ultralytics

publicDetect

HomeObjects-3K is an Ultralytics indoor detection benchmark spanning twelve furniture, appliance, opening, and decor classes. Images cover beds, sofas, chairs, tables, doors, windows, televisions, lamps, and other household objects across varied rooms and viewpoints.

112 classes769.9 MBSep 2, 2026

bedsofachairtable+8

object-detectionindoorhome-objects+1

Ultralytics HomeObjects-3K veri seti, 12 günlük ev eşyası sınıfı genelinde etiketlenmiş 2.689 görüntüden (2.285 eğitim ve 404 doğrulama) oluşan bir iç mekân nesne algılama veri setidir: yatak, kanepe, sandalye, masa, lamba, TV, dizüstü bilgisayar, gardırop, pencere, kapı, saksı bitkisi ve fotoğraf çerçevesi. Bilgisayarlı görü modellerini eğitmek ve karşılaştırmalı değerlendirmek için oluşturulan bu veri seti; iç mekân sahnesi anlama, akıllı ev cihazları, robotik ve artırılmış gerçeklik alanlarını hedefler.

Veri Kümesi Yapısı#

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

Her görüntü, Ultralytics YOLO formatında sınırlayıcı kutularla etiketlenmiştir ve nesne algılama ile takip işlem hatlarında kullanıma hazırdır.

Nesne Sınıfları#

Veri seti, ev içi ortamlarda yaygın olarak bulunan mobilya, elektronik ve dekoratif eşyaları kapsayan 12 günlük nesne kategorisini içerir:

Uygulamalar#

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

• İç mekân nesne algılama: İç mekân sahnelerini gerçek zamanlı olarak anlamak amacıyla görüntülerde yatak, sandalye, lamba ve dizüstü bilgisayar gibi yaygın ev eşyalarını bulup konumlandırmak için Ultralytics YOLO26 gibi modelleri kullan.

• Sahne yerleşimi ayrıştırma: Robotik ve akıllı ev sistemlerinin odaların nasıl düzenlendiğini — kapıların, pencerelerin ve mobilyaların nerede bulunduğunu — anlamasına yardımcı olarak cihazların güvenli şekilde hareket etmesini ve çevreleriyle etkileşim kurmasını sağla.

• AR uygulamaları: Artırılmış gerçeklik uygulamalarındaki nesne tanıma özelliklerini destekle. Örneğin TV'leri veya gardıropları algılayıp üzerlerine ek bilgiler ya da efektler yerleştir.

• Eğitim ve araştırma: Öğrencilere ve araştırmacılara gerçek dünya örnekleriyle iç mekân nesne algılama pratiği yapabilecekleri kullanıma hazır bir veri seti sun.

• Ev envanteri ve varlık takibi: Fotoğraf veya videolardaki ev eşyalarını otomatik olarak algılayıp listele; bu özellik eşyaları yönetmek, alanları düzenlemek veya gayrimenkulde mobilyaları görselleştirmek için kullanışlıdır.

Kendi iç mekân görüntülerini etiketlemek, tarayıcında eğitim gerçekleştirmek ve veri seti sürümlerini yönetmek için tüm iş akışını Ultralytics Platform ile çalıştır.

Veri Kümesi YAML'i#

HomeObjects-3K.yaml dosyası, veri seti yapılandırmasını — eğitim ve doğrulama görüntü yolları ile nesne sınıfları listesini — tanımlar. Dosya, Ultralytics deposunda https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/HomeObjects-3K.yaml adresinde 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

Kullanım#

HomeObjects-3K veri seti üzerinde 640 görüntü boyutu kullanarak 100 epoch boyunca bir YOLO26n modeli eğitebilirsin. Veri seti (390 MB), ilk kullanımda otomatik olarak indirilir. Aşağıdaki örnekler nasıl başlayacağını gösterir. Daha fazla eğitim seçeneği ve ayrıntılı ayarlar için Eğitim kılavuzuna bak.

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 Açıklamalar#

Aşağıdaki örnek, veri setindeki bir iç mekân sahnesini sınırlayıcı kutu açıklamalarıyla birlikte gösterir ve modellerin algılamayı öğrendiği nesne konumlarını, ölçeklerini ve mekânsal ilişkilerini örneklendirir.

Lisans ve Atıf#

HomeObjects-3K, Ultralytics ekibi tarafından AGPL-3.0 Lisansı kapsamında geliştirilip yayımlanır; uygun atıfla açık kaynak araştırmalarını ve ticari kullanımı destekler.

Bu veri kümesini araştırmanda kullanıyorsan 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#