Ana SayfaNesneler-3K Veri Kümesi#

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.

212 classes769.9 MBSep 2, 2026

bedsofachairtable+8

object-detectionindoorhome-objects+1

Ultralytics HomeObjects-3K veri kümesi, 12 gündelik ev eşyası sınıfında (yatak, kanepe, sandalye, masa, lamba, tv, dizüstü bilgisayar, gardırop, pencere, kapı, saksı bitkisi ve fotoğraf çerçevesi) etiketlenmiş 2.689 görüntüden (2.285 eğitim ve 404 doğrulama görüntüsü) oluşan bir iç mekân nesne tespiti veri kümesidir. Bilgisayarlı görü modellerini eğitmek ve karşılaştırmalı değerlendirmesini yapmak için oluşturulmuştur; iç mekân sahnelerini anlama, akıllı ev cihazları, robotik ve artırılmış gerçeklik alanlarını hedefler.

Veri Kümesi Yapısı#

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

Her görüntü, nesne tespiti ve izleme iş akışlarında kullanılmaya hazır şekilde Ultralytics YOLO biçiminde sınırlayıcı kutularla etiketlenmiştir.

Nesne Sınıfları#

Veri kümesi; iç mekânlardaki ev ortamlarında sıkça bulunan mobilya, elektronik eşya ve dekoratif ürünlerden oluşan 12 gündelik nesne kategorisini kapsar:

Uygulamalar#

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

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

• Sahne düzeni analizi: Robotik ve akıllı ev sistemlerinin odaların nasıl düzenlendiğini, kapıların, pencerelerin ve mobilyaların nerede bulunduğunu anlamasına yardımcı ol; böylece cihazlar güvenle hareket edip çevreleriyle etkileşim kurabilir.

• AR uygulamaları: Artırılmış gerçeklik uygulamalarındaki nesne tanıma özelliklerine güç kat. Örneğin TV'leri veya gardıropları tespit edip bunların üzerine ek bilgiler ya da efektler yerleştir.

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

• Ev envanteri ve varlık takibi: Eşya yönetimi, alanları düzenleme veya emlak ilanlarındaki mobilyaları görselleştirme gibi amaçlarla fotoğraf ya da videolardaki ev eşyalarını otomatik olarak tespit edip listele.

Kendi iç mekân görüntülerini etiketlemek, eğitim yapmak ve veri kümesi sürümlerini tarayıcında yönetmek için tüm iş akışını Ultralytics Platform ile yürüt.

Veri Kümesi YAML Dosyası#

HomeObjects-3K.yaml dosyası, veri kümesi yapılandırmasını; eğitim ve doğrulama görüntülerinin yollarını ve nesne sınıflarının listesini tanımlar. Dosya, Ultralytics deposunda https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/HomeObjects-3K.yaml konumunda 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 kümesinde YOLO26n modelini 640 görüntü boyutuyla 100 epoch boyunca 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 bak.

from ultralytics import YOLO

# Önceden eğitilmiş modeli yükle
model = YOLO("yolo26n.pt")

# Modeli HomeObjects-3K veri kümesiyle eğit
model.train(data="HomeObjects-3K.yaml", epochs=100, imgsz=640)

Örnek Görüntüler ve Ek Açıklamalar#

Aşağıdaki örnekte, veri kümesinden sınırlayıcı kutu etiketleriyle birlikte bir iç mekân sahnesi gösterilerek modellerin tespit etmeyi öğrendiği nesne konumları, ölçekleri ve uzamsal ilişkiler açıklanıyor.

Lisans ve Atıf#

HomeObjects-3K, açık kaynak araştırmalarını ve uygun atıfla ticari kullanımı desteklemek amacıyla AGPL-3.0 Lisansı kapsamında Ultralytics ekibi tarafından geliştirilip yayımlanmıştır.

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}
}

Sık Sorulan Sorular#