Bộ dữ liệu HomeObjects-3K#

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

Bộ dữ liệu HomeObjects-3K của Ultralytics là bộ dữ liệu phát hiện đối tượng trong nhà, gồm 2.689 hình ảnh (2.285 ảnh huấn luyện và 404 ảnh validation) được gán nhãn theo 12 lớp đồ dùng gia đình thường ngày — giường, sofa, ghế, bàn, đèn, TV, laptop, tủ quần áo, cửa sổ, cửa ra vào, cây trồng trong chậu và khung ảnh. Được xây dựng để huấn luyện và benchmark các model thị giác máy tính, bộ dữ liệu này hướng đến bài toán hiểu cảnh trong nhà, thiết bị nhà thông minh, robotics và thực tế tăng cường.

Cấu trúc bộ dữ liệu#

Bộ dữ liệu HomeObjects-3K được chia thành hai tập con được định nghĩa sẵn, theo cấu hình HomeObjects-3K.yaml:

Mỗi hình ảnh được gán nhãn bằng bounding box theo định dạng Ultralytics YOLO, sẵn sàng cho các pipeline phát hiện đối tượng và tracking.

Các lớp đối tượng#

Bộ dữ liệu bao phủ 12 danh mục đối tượng thường gặp, gồm đồ nội thất, thiết bị điện tử và vật dụng trang trí phổ biến trong môi trường gia đình trong nhà:

Ứng dụng#

HomeObjects-3K hỗ trợ nhiều ứng dụng thị giác máy tính trong nhà, phục vụ cả nghiên cứu và phát triển sản phẩm:

• Phát hiện đối tượng trong nhà: Sử dụng các model như Ultralytics YOLO26 để tìm và xác định vị trí các vật dụng gia đình phổ biến như giường, ghế, đèn và laptop trong hình ảnh, phục vụ việc hiểu cảnh trong nhà theo thời gian thực.

• Phân tích bố cục cảnh: Giúp các hệ thống robotics và nhà thông minh hiểu cách bố trí phòng — cửa ra vào, cửa sổ và đồ nội thất nằm ở đâu — để thiết bị có thể điều hướng an toàn và tương tác với môi trường xung quanh.

• Ứng dụng AR: Cung cấp tính năng nhận dạng đối tượng cho các ứng dụng thực tế tăng cường. Ví dụ, phát hiện TV hoặc tủ quần áo rồi phủ thêm thông tin hoặc hiệu ứng lên chúng.

• Giáo dục và nghiên cứu: Cung cấp cho sinh viên và nhà nghiên cứu một bộ dữ liệu sẵn sàng sử dụng để thực hành phát hiện đối tượng trong nhà với các ví dụ thực tế.

• Kiểm kê và tracking tài sản trong nhà: Tự động phát hiện và liệt kê các vật dụng gia đình trong ảnh hoặc video, hữu ích cho việc quản lý đồ đạc, sắp xếp không gian hoặc trực quan hóa nội thất trong bất động sản.

Để gán nhãn hình ảnh trong nhà của riêng bạn, huấn luyện và quản lý các phiên bản dataset ngay trên trình duyệt, hãy chạy toàn bộ workflow với Ultralytics Platform.

YAML của bộ dữ liệu#

Tệp HomeObjects-3K.yaml định nghĩa cấu hình dataset — đường dẫn đến hình ảnh huấn luyện và validation cùng danh sách các lớp đối tượng. Tệp này được duy trì trong repository Ultralytics tại 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

Cách sử dụng#

Bạn có thể huấn luyện model YOLO26n trên dataset HomeObjects-3K trong 100 epoch với kích thước hình ảnh 640. Dataset (390 MB) sẽ tự động được tải xuống trong lần sử dụng đầu tiên. Các ví dụ dưới đây hướng dẫn cách bắt đầu. Để xem thêm tùy chọn huấn luyện và cài đặt chi tiết, hãy tham khảo hướng dẫn Huấn luyện.

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)

Hình ảnh mẫu và annotation#

Ví dụ dưới đây cho thấy một cảnh trong nhà từ dataset cùng các annotation bounding box, minh họa vị trí, kích thước và mối quan hệ không gian giữa các đối tượng mà model học cách phát hiện.

Giấy phép và ghi công#

HomeObjects-3K được phát triển và phát hành bởi đội ngũ Ultralytics theo Giấy phép AGPL-3.0, hỗ trợ nghiên cứu nguồn mở và sử dụng thương mại với điều kiện ghi công phù hợp.

Nếu sử dụng bộ dữ liệu này trong nghiên cứu, vui lòng trích dẫn theo các thông tin được đề cập:

@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}
}

FAQ#