Dataset 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.

212 classes769.9 MBSep 2, 2026

bedsofachairtable+8

object-detectionindoorhome-objects+1

Dataset HomeObjects-3K của Ultralytics là dataset phát hiện đối tượng trong nhà, gồm 2,689 ảnh (2,285 ảnh training và 404 ảnh validation), được gán nhãn theo 12 class đồ gia dụng thường ngày — giường, sofa, ghế, bàn, đèn, TV, laptop, tủ quần áo, cửa sổ, cửa ra vào, cây trồng trong chậu và khung ảnh. Dataset được xây dựng để training và benchmark các model thị giác máy tính, hướng đến khả năng hiểu cảnh trong nhà, thiết bị nhà thông minh, robotics và thực tế tăng cường.

Cấu trúc dataset#

Dataset HomeObjects-3K được chia thành hai tập con định sẵn, được xác định trong cấu hình HomeObjects-3K.yaml:

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

Các class đối tượng#

Dataset bao gồm 12 danh mục đối tượng thường ngày thuộc các nhóm nội thất, thiết bị điện tử và đồ trang trí thường có trong môi trường gia đình trong nhà:

Ứng dụng#

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

• Phát hiện đối tượng trong nhà: Dùng 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 ảnh, nhằm hiểu cảnh trong nhà theo thời gian thực.

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

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

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

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

Để gán nhãn ảnh trong nhà của riêng bạn, training và quản lý các phiên bản dataset ngay trên trình duyệt, hãy chạy toàn bộ quy trình bằng Ultralytics Platform.

YAML của dataset#

Tệp HomeObjects-3K.yaml định nghĩa cấu hình dataset — đường dẫn ảnh training và validation cùng danh sách class 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 training model YOLO26n trên dataset HomeObjects-3K trong 100 epoch với kích thước ảnh 640. Dataset (390 MB) sẽ tự động tải xuống trong lần sử dụng đầu tiên. Các ví dụ bên dưới hướng dẫn cách bắt đầu. Để biết thêm tùy chọn training và các thiết lập chi tiết, hãy xem hướng dẫn Training.

from ultralytics import YOLO

# Tải model pretrained
model = YOLO("yolo26n.pt")

# Training model trên dataset HomeObjects-3K
model.train(data="HomeObjects-3K.yaml", epochs=100, imgsz=640)

Hình ảnh mẫu và annotation#

Ảnh mẫu bên dưới cho thấy một cảnh trong nhà từ dataset cùng các chú thích 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 nhận tác giả#

HomeObjects-3K do đội ngũ Ultralytics phát triển và phát hành theo Giấy phép AGPL-3.0, hỗ trợ nghiên cứu nguồn mở và sử dụng thương mại khi có ghi nhận phù hợp.

Nếu sử dụng dataset này trong nghiên cứu, vui lòng trích dẫn theo thông tin đã nêu:

@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}
}

Câu hỏi thường gặp#