Link to this sectionBộ dữ liệu HomeObjects-3K#

Tập dữ liệu Ultralytics HomeObjects-3K là một tập dữ liệu object detection trong nhà gồm 2.689 hình ảnh (2.285 để huấn luyện và 404 để kiểm thử) được gán nhãn cho 12 lớp đồ gia dụng phổ biến — giường, ghế sofa, ghế, bàn, đèn, TV, máy tính xách tay, tủ quần áo, cửa sổ, cửa ra vào, cây cảnh và khung ảnh. Được xây dựng để huấn luyện và benchmarking các model computer vision, tập dữ liệu này nhắm tới mục tiêu hiểu bối cảnh trong nhà, thiết bị nhà thông minh, robotics và thực tế tăng cường.

Link to this sectionCấu trúc tập dữ liệu#

Tập dữ liệu HomeObjects-3K được chia thành hai tập con định sẵn, được xác định bởi tệp cấu hình HomeObjects-3K.yaml:

Mỗi hình ảnh được gán nhãn bằng bbox theo định dạng Ultralytics YOLO, sẵn sàng cho các pipeline object detection và tracking.

Link to this sectionCác lớp vật thể#

Tập dữ liệu bao gồm 12 danh mục đồ vật phổ biến hàng ngày bao gồm đồ nội thất, đồ điện tử và các vật dụng trang trí thường thấy trong môi trường gia đình:

Link to this sectionỨng dụng#

HomeObjects-3K hỗ trợ một loạt các ứng dụng computer vision trong nhà cho cả nghiên cứu và phát triển sản phẩm:

• Indoor object detection: Sử dụng các model như Ultralytics YOLO26 để tìm và định vị các đồ vật gia dụng phổ biến như giường, ghế, đèn và máy tính xách tay trong hình ảnh nhằm hiểu bối cảnh trong nhà theo thời gian thực.

• Scene layout parsing: Hỗ trợ các hệ thống robotics và nhà thông minh hiểu cách bài trí phòng ốc — vị trí cửa ra vào, cửa sổ và đồ nội thất — để các thiết bị có thể điều hướng an toàn và tương tác với môi trường của chúng.

• AR applications: Cung cấp các tính năng object recognition trong các ứng dụng thực tế tăng cường. Ví dụ, phát hiện TV hoặc tủ quần áo và chèn thêm thông tin hoặc hiệu ứng lên trên chúng.

• Education and research: Cung cấp cho sinh viên và các nhà nghiên cứu một tập dữ liệu sẵn sàng để thực hành object detection trong nhà với các ví dụ thực tế.

• Quản lý kiểm kê gia đình và theo dõi tài sản: Tự động phát hiện và liệt kê các vật dụng trong nhà qua ảnh hoặc video, hữu ích cho việc quản lý đồ đạc, tổ chức không gian hoặc hình dung đồ nội thất trong lĩnh vực bất động sản.

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

Link to this sectionYAML tập dữ liệu#

Tệp HomeObjects-3K.yaml xác định cấu hình tập dữ liệu — đường dẫn ảnh huấn luyện/kiểm thử và danh sách các lớp đối tượng. Tệp này được lưu trữ trong kho lưu trữ 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

Link to this sectionCách sử dụng#

Bạn có thể huấn luyện model YOLO26n trên tập dữ liệu HomeObjects-3K trong 100 epoch với kích thước ảnh là 640. Tập dữ liệu (390 MB) sẽ tự động tải xuống trong lần sử dụng đầu tiên. Các ví dụ bên dưới cho thấy cách bắt đầu. Để biết thêm các tùy chọn huấn luyện và cài đặt chi tiết, hãy xem hướng dẫn Training.

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 sectionHình ảnh mẫu và chú thích#

Mẫu dưới đây cho thấy một bối cảnh trong nhà từ tập dữ liệu với các chú thích bbox, minh họa vị trí, quy mô và mối quan hệ không gian của các đối tượng mà các model học để phát hiện.

Link to this sectionGiấy 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 mã nguồn mở và sử dụng thương mại với sự ghi nhận phù hợp.

Nếu bạn sử dụng bộ dữ liệu này trong nghiên cứu của mình, vui lòng trích dẫn nó bằng các chi tiết 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}
}

Link to this sectionCâu hỏi thường gặp#

Link to this sectionBộ dữ liệu HomeObjects-3K được thiết kế để làm gì?#

HomeObjects-3K được thiết kế để phát hiện các đồ gia dụng hàng ngày — như giường, ghế sofa, TV và đèn — trong các bối cảnh trong nhà. Điều này làm cho nó rất phù hợp cho nhà thông minh, robotics, thực tế tăng cường và các hệ thống giám sát nội thất, cho cả triển khai tại biên theo thời gian thực và nghiên cứu học thuật.

Link to this sectionTập dữ liệu HomeObjects-3K có bao nhiêu hình ảnh và lớp?#

HomeObjects-3K chứa tổng cộng 2.689 hình ảnh — 2.285 để huấn luyện và 404 để kiểm thử — không có tập kiểm tra (test set) riêng biệt. Mỗi hình ảnh được gán nhãn cho 12 lớp đối tượng: giường, ghế sofa, ghế, bàn, đèn, TV, máy tính xách tay, tủ quần áo, cửa sổ, cửa ra vào, cây cảnh và khung ảnh.

Link to this sectionNhững danh mục vật thể nào được bao gồm và tại sao chúng được chọn?#

Tập dữ liệu bao gồm 12 vật dụng gia đình thường gặp nhất: giường, ghế sofa, ghế, bàn, đèn, TV, máy tính xách tay, tủ quần áo, cửa sổ, cửa ra vào, cây cảnh và khung ảnh. Những đối tượng này được chọn để phản ánh môi trường trong nhà thực tế và hỗ trợ các tác vụ như điều hướng robot và hiểu bối cảnh trong các ứng dụng AR/VR.

Link to this sectionLàm thế nào để tải xuống tập dữ liệu HomeObjects-3K?#

Tập dữ liệu (390 MB) sẽ tự động tải xuống vào lần đầu tiên bạn huấn luyện với data="HomeObjects-3K.yaml" — không cần thực hiện bước thủ công nào. Ultralytics sẽ lấy hình ảnh và nhãn rồi giải nén chúng vào thư mục datasets cục bộ của bạn. Bạn có thể duyệt các tập dữ liệu liên quan trong phần tổng quan về tập dữ liệu detection.

Link to this sectionLàm thế nào để tôi có thể huấn luyện một model YOLO sử dụng bộ dữ liệu HomeObjects-3K?#

Để huấn luyện một model YOLO như YOLO26n, bạn cần tệp cấu hình HomeObjects-3K.yaml và các trọng số pretrained model. Quá trình huấn luyện bắt đầu bằng một lệnh Python hoặc CLI duy nhất và bạn có thể tùy chỉnh các tham số như epoch, kích thước ảnh và batch size để đạt hiệu suất và phần cứng mục tiêu.

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 sectionBộ dữ liệu này có phù hợp cho các dự án cấp độ người mới bắt đầu không?#

Có. Với các chú thích định dạng YOLO tiêu chuẩn và dung lượng gọn nhẹ, HomeObjects-3K là điểm khởi đầu vững chắc cho sinh viên và người đam mê muốn khám phá object detection thực tế trong các kịch bản trong nhà.

Link to this sectionTôi có thể tìm định dạng chú thích và YAML ở đâu?#

Hãy tham khảo phần Dataset YAML. Định dạng này là YOLO tiêu chuẩn, giúp nó tương thích với hầu hết các đường ống (pipeline) phát hiện vật thể.